基于图约束的链路预测可解释性理论和算法研究

Link prediction is widely used in social network analysis, financial fraud detection, bio-informatics network, social security and cooperative relationship mining. Deep learning algorithm for link prediction get more accurate result than proximity-based and machine learning-based methods. However, the interpretability of deep learning prediction results limits its applications in many fields. Since lack of interpretability may cause non-confidence and make link prediction results meaningless. It may also bring economic losses or security risks if the investor or the security believe the wrong prediction results. To cope with these problems, this project studies the interpretability theory and algorithm for link prediction using graph constraint theory. We investigate the explanatory causality model for link prediction and build the inference theory for the model. Based on explanatory model, we mine the the explanatory rules in deep learning process. According to the explanatory rules, we design prediction algorithms combining with the explanatory rules and deep learning algorithm to improve accuracy. The project provides theoretical and methodological support for interpretability of link prediction, and provides new insight for interpretability of deep learning.

链路预测在社交网络分析、金融欺诈检测、生物信息网络、社会安全领域和合作关系挖掘等领域有着广泛的应用。基于深度学习的链路预测较之传统方法具有更高的准确度。然而，深度学习链路预测方法对结果的不可解释限制了其多个领域的应用。可解释性的缺失可能造成人们不信任预测结果，使链路预测失去意义；也可能造成人们相信了错误的预测结果，造成经济损失或者带来安全隐患。基于此，本项目基于图约束理论研究了链路预测的可解释性理论和算法。主要研究链路预测存在的可释性因果模型，基于可释性模型挖掘可释性规则，解释深度学习链路预测结果出现的原因。根据可释性规则，结合深度学习方法进一步提高链路预测的准确度。为实现链路预测可解释性提供理论支持和方法支撑，同时为深度学习可解释性提供新的思路。

链路预测在社交网络分析、金融欺诈检测、生物信息网络、社会安全领域和合作关系挖掘等领域有着广泛的应用。基于深度学习的链路预测较之传统方法具有更高的准确度。然而，深度学习链路预测方法对结果的不可解释限制了其多个领域的应用。可解释性的缺失可能造成人们不信任预测结果，使链路预测失去意义；也可能造成人们相信了错误的预测结果，造成经济损失或者带来安全隐患。基于此，本项目基于图约束理论研究了链路预测的可解释性理论和算法。主要面向具体的应用，包括数据质量检测、实体画像、数据转换、事件关联分析、异常检测等领域研究可释性规则模型，用于解释相关基于链路预测模型的结果；进一步，基于融合水平和垂直扩展的方式以及抽样方法在关系数据和图数据上设计了大规模数据的规则的自动发现算法；最后，在各个应用领域下研究了应用和增量式应用方法。