Key points are not available for this paper at this time.
يهدف استكمال الرسم البياني المعرفي (KGC) إلى التخفيف من عدم الاكتمال الفطري للرواسب البيانية المعرفية (KGs)، وهو مهمة حاسمة لمجموعة من التطبيقات، مثل التوصيات على الويب. بالرغم من أن نماذج تضمين الرسم البياني المعرفي (KGE) قد أظهرت أداءً تنبؤيًا متفوقًا في مهام KGC، إلا أن هذه النماذج تستنتج الروابط المفقودة بطريقة غير شفافة وغير مسؤولة، مما يمنع الباحثين من تطوير نماذج يمكن مساءلتها. تركز طرق التفسير القائمة على KGE الحالية على استكشاف المسارات الرئيسية أو الحواف المعزولة كتفسيرات، مما يجعلها بلا معلومات لتبرير التنبؤ المستهدف. بالإضافة إلى ذلك، يؤدي عدم وجود حقيقة أرضية إلى أن تكون طرق التفسير هذه غير فعالة في تقييم التفسيرات المستكشفة كميًا. للتغلب على هذه القيود، نقترح KGExplainer، وهي طريقة مستقلة عن النموذج تحدد التفسيرات المتصلة بفرع فرعي وتستخلص مقياسًا لتقييمها كميًا. يستخدم KGExplainer خوارزمية بحث جشعة قائمة على الاضطرابات للعثور على فروع فرعية متصلة رئيسية كتفسيرات ضمن الهيكل المحلي للتنبؤات المستهدفة. لتقييم جودة التفسيرات المستكشفة، يستخلص KGExplainer مقياسًا من نموذج KGE المستهدف. من خلال تقديم التفسيرات إلى المقياس، يمكن لطريقتنا فحص مدى صدقها. تظهر التجارب الواسعة على مجموعات البيانات القياسية أن KGExplainer تحقق تحسينات واعدة وتحقق نسبة مثالية تبلغ 83.3% في التقييم البشري.
درس Ma وزملاؤه هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: