（图文|刘佳乐、张泽宇）近日，人工智能领域顶级会议AAAI-2025 main track（第39届人工智能大会，CCF-A类）接收了我校电子信息2024级研究生李璐的研究论文。该论文题为Self-Explainable Graph Transformer for Link Sign Prediction，主要研究了符号图神经网络（SGNNs）中链路符号预测的可解释性问题。

   符号图神经网络被广泛用于符号图的表征学习。在现实数据集中，符号图可被用于建模生物基因与表型的上下调关系、选民的政治倾向、论文的审稿意见，用户的商品评价等。然而，现有的符号图神经网络（SGNNs）往往缺乏足够的可解释性，限制了其在一些需要理解预测依据的关键场景中的应用。

   本研究首次关注符号图神经网络的可解释性问题，提出了一种新的符号图表示学习框架——SE-SGformer。该框架不仅能确保较高预测精度，还能提供明确的决策解释。研究表明，通过引入符号随机游走的位置编码，该方法在表达能力上超过现有的符号图神经网络SGCN和基于最短路径编码的graph transformer方法。此外，该论文还提出一种新的可解释决策过程，通过发现节点的K近邻（正向或负向）来替代传统的神经网络解码器，从而为符号边的预测提供可解释的信息。

   该研究不仅从理论上证明了基于符号随机游走编码的graph transformer在表达能力上优于传统SGCN和使用最短路径编码的其他graph transformer方法，而且还通过在多个标准数据集上的大量实验验证了其优越表现。

   信息学院2024级硕士研究生李璐为论文第一作者，2022级本科生刘佳乐，吉星宇参与该研究。植科院王茂军老师、信息学院张泽宇老师为论文共同通讯作者。