تُعتبر مهمة البحث عن التشابه في البيانات الرسومية من المهام الأساسية التي تُسهم في تحقيق الفائدة من المعلومات في مجموعة متنوعة من التطبيقات مثل شبكات الاقتباسات أو الرسوم البيانية للمعرفة. لطالما تم تناول هذه المهمة بالاعتماد على العديد من الطرق، بدءًا من الأساليب التقديرية وصولاً إلى تضمين الرسوم البيانية والشبكات العصبية القائمة على الرسوم البيانية (Graph Neural Networks - GNNs)، ولكنّ تقديم تفسيرات للتشابه لم يحظ بالكثير من الاهتمام.

في هذا المقال، سنتناول البحث عن تشابه العقد في الرسوم البيانية بطريقة تجعلها قابلة للفهم، من خلال دراسة كيفية تعزيز الطرق المعتمدة على GNNs بتفسيرات تشرح كيفية حساب تشابه العقد.

قمنا بتقييم أداء طريقتين بارزتين في تقديم التفسيرات ضمن GNNs، بناءً على مفهومي المعلومات المتبادلة (Mutual Information - MI) والتفسيرات المعتمدة على التدرجات (Gradient-based explanations - GB). لقد ناقشنا ملاءمة كل منهما وقمنا بالتحقق تجريبيًا من خصائص تفسيراتها من خلال مجموعة من المعايير الرسومية المعروفة.

وجدنا أنه على عكس تفسيرات المعلومات المتبادلة، توفر التفسيرات المعتمدة على التدرجات ثلاث خصائص مرغوبة. أولاً، أنها قابلة للتنفيذ، حيث يؤدي اختيار المدخلات استنادًا إليها إلى تغييرات متوقعة في درجات التشابه. ثانيًا، أنها متسقة، حيث يتداخل تأثير اختيار مدخلات معينة قليلاً مع تأثير تجاهلها. ثالثًا، يمكن تقليمها بشكل كبير للحصول على تفسيرات رقيقة تحتفظ بتأثيرها على درجات التشابه. هذا يعني أن استخدام GNNs لا يساعد فقط في تحسين دقة البحث عن التشابه، بل يوفر أيضًا فهماً أعمق لكيفية وصولنا إلى تلك النتائج.