【研究背景】由埃默里大学科研团队研发的GraphNarrator，是全球首个能够为图神经网络（GNN）自动生成自然语言解释的创新工具。该研究通过构建并优化解释伪标签，再将其蒸馏至端到端模型，使模型可直接输出高质量的解释文本，有效提升了GNN决策过程的透明度。目前该工具已在多个真实数据集上验证了其可靠性。

图神经网络作为处理结构化数据的核心技术，已在社交网络分析、药物研发、金融风控等领域获得广泛应用。然而，现有GNN模型的决策机制往往如同"黑箱"：其预测依据和关键决策因素难以直观理解，这严重制约了其在工业界的推广应用。

当前主流的解释方法如GNNExplainer和PGExplainer等，主要通过识别重要子图或进行节点-边归因来提供解释。但这些方法仅能输出结构片段，缺乏人类可读性，且难以处理带有文本属性的节点（如学术文献、商品信息等）。

埃默里大学团队突破性地开发出GraphNarrator，首次实现了从GNN输入输出中生成自然语言解释，使图神经网络从"黑箱"转变为"可解释的决策系统"。该工具特别适用于文本属性图（TAGs），即节点特征包含自然语言文本（如论文摘要、商品描述等）的图结构数据。

该研究的主要创新点包括：

• 首创自然语言解释框架，将TAG图解释从结构层面拓展至语义层面

• 实现图结构信息与语言信息的有机融合，结合图推理与大型语言模型的理解能力

• 开源完整工具链，提供高质量的伪标签构造器和自监督蒸馏方法，可适配各类GNN任务

研究团队由埃默里大学博士生Bo Pan领衔，USC硕士生Zhen Xiong和埃默里大学博士生Guanchen Wu共同参与，通讯作者为埃默里大学计算机系Liang Zhao副教授。该成果已被ACL2025主会收录。

【技术实现】GraphNarrator的工作流程包含三个核心环节：

1. 伪标签生成：基于显著性分析方法识别关键文本和邻居节点，构建结构化Prompt输入GPT模型生成初始解释

2. 标签优化：通过专家设计的标准筛选高质量伪标签，重点关注解释的忠实性（与模型预测一致）和简洁性（信息浓缩可读）

3. 模型蒸馏：将优化后的伪标签蒸馏至端到端模型（采用LlaMA 3.1 8B），实现图结构和文本的自动解释生成

【实验验证】研究团队在Cora论文引文图、DBLP作者合作图、PubMed生物医学文献图等多个TAG数据集上进行了系统评估。对比实验包括：

• 主流LLM的零样本解释生成

• 基于GPT-4o的显著性解释模板转换方法（SMV）

• GraphNarrator（基于LlaMA 3.1-8B）

评估结果显示，GraphNarrator在自动评测中表现突出：Simulatability指标提升8-10%，PMI-10%覆盖率平均提高8.2%，解释长度缩减超13%。在人工评测中，其解释文本在易读性、洞察力、结构理解和语义表达等方面均显著优于对比方法，特别是在结构信息呈现上优势达33%，获得了评审专家的高度认可。

至强龙尊番茄小说

都市龙尊 得分：9.5 收藏：2557 点击阅读 都市龙尊 风流之纵横娱乐界 得分：9.5 收藏：741 点击阅读 风流之纵横娱乐界 神唤师 得分：7.1 收藏：3369 点击阅读 神唤师 六鼠闹汴梁 得分：9.5 收藏：952 点击阅读 六鼠闹汴梁 流氓是这样炼成的 得分：9.1 收藏：973 ...。