图神经网络（GNN）已成为处理结构化数据的核心工具，广泛应用于社交网络、药物设计、金融风控等场景。

然而，现有 GNN 的决策过程高度复杂，且常常缺乏透明度：为什么模型做出这样的预测？关键依据在哪？这成为阻碍其大规模落地的重要瓶颈。

已有方法多基于「重要子图提取」或「节点-边归因」，如 GNNExplainer、PGExplainer 等，但它们只能输出结构片段，不具备人类可读性，且缺乏对文本属性节点的处理能力（如文献图、商品图）。

Emory大学的研究团队提出了首个面向图神经网络的自然语言解释生成器GraphNarrator，首次实现从GNN输入输出中，生成高质量的自然语言解释，让图神经网络从「黑盒模型」变为「有理有据的决策体」。

论文链接：https://arxiv.org/pdf/2410.15268

代码链接：https://github.com/pb0316/GraphNarrator

GraphNarrator聚焦于一种重要的图类型Text-Attributed Graphs (TAGs)，即节点特征为自然语言文本（如论文摘要、商品介绍、疾病描述等）。

论文贡献包括：

提出首个自然语言解释框架，将TAG图解释从结构层面扩展至语言层；

统一结构化与语言信息，桥接图结构推理与LLM理解能力；

开源工具链，提供高质量伪标签构造器+自监督蒸馏方法，便于迁移至任意GNN任务。

论文第一作者为Emory大学博士生Bo Pan，长期从事图学习与可解释人工智能方向研究。

共同第一作者为USC硕士生Zhen Xiong和Emory大学博士生Guanchen Wu，通讯作者为Emory计算机系副教授Liang Zhao。

该研究获得ACL2025 主会接收，提出首个面向图神经网络的自然语言解释生成器 GraphNarrator。

GraphNarrator 总体包含三步：

1. 构造解释伪标签（Pseudo-label Generation）

使用saliency-based解释方法提取「重要文本+关键邻居节点」，形式是每个特征（节点、边、token）的重要性。

将这些结构转化为结构化Prompt，和问题与预测一起输入GPT模型，生成可解释伪标签。

2. 优化伪标签（Filtering via Expert-Designed Criteria）

通过两大标准筛选质量更高的伪标签：

忠实性（faithfulness）：与模型预测一致，研究人员通过互信息（mutual information）的方式计算生成的文字解释与输入、输出之间的忠实性。

简洁性（conciseness）：信息浓缩、可读性强，鼓励长度更短

GraphNarrator通过专家迭代（Expert Iteration）同时优化这两个目标，确保教师模型（teacher model）生成高质量的解释。

3. 蒸馏解释器（Training Final Explainer）

将伪标签蒸馏进一个端到端模型（文章中使用LlaMA 3.1 8B），直接输入图结构与文本，即可自动输出解释语句。

研究人员在多个真实世界的Text-Attributed Graph（TAG）数据集上对GraphNarrator进行了系统评估，包括：

Cora：论文引文图，节点为论文，文本为摘要

DBLP：作者合作图，文本为论文列表

PubMed：生物医学文献图

对比方法：

各主流 LLM（LLaMA 3.1-8B、GPT‑3.5、GPT‑4o）Zero-shot生成解释

SMV：基于GPT‑4o的saliency解释模板转换方法

GraphNarrator（基于LLaMA 3.1-8B）

评估目标是检验 GraphNarrator 生成的自然语言解释是否忠实、准确、可读、受用户喜爱。

研究人员通过自动方式和人工方式评测该方法生成的解释质量。

自动评测中，GraphNarrator在Simulatability上全面领先（+8‐10%），证明解释内容高度还原了GNN预测；  

PMI‑10%覆盖率提升显著（平均+8.2%），表明能捕捉到最重要的token；  Brevity（解释长度/输入长度）下降超13%，验证其「短小精炼」能力。

人工评测中，有计算语言学背景的评审从易读性、洞察力、结构信息、语义信息4个方向打分（1–7 分制）。

结果表明各项均优于GPT‑4o、SMV，尤其在结构理解上优势明显（+33%），解释更流畅、逻辑清晰，获得真实用户的更高信任。