图结构数据在实际生活中有着广泛的应用,人们可以挖掘丰富的关联关系并将其建模成图模型,图机器学习算法通过充分利用这些结构信息,从而挖掘更多有价值的信息来提供更加精确的结果。虽然图机器学习算法利用节点间的依赖关系来辅助决策,但是图模型的复杂结构同样提高了算法可解释性技术的难度,现有的图模型可解释性算法未能将决策结果公平地归因到参与决策的因素上,并且多数方法都致力于简化计算,忽略了从人类感知角度的反事实推理。为了解决上述问题,本文首先提出了基于Shapley的图模型可解释性方法,该方法引入博弈论中Shapley理论,定义图模型上的概率贡献和拓扑贡献,提出图模型上Shapley值高效近似计算方法,公平有效地评估节点贡献度,并提出Shapley元解释来证明解释结果的有效性和可理解性。本文还提出了基于反事实的图模型可解释性方法,提出了反事实解释的两个度量指标可模拟性和反事实相关性,基于此设计了一种基于图表的反事实解释形式,定义了一个双目标优化问题来搜索解释,还提出了解释鲁棒性研究评估指标,从而找到与人类认知过程完全吻合的解释。实验结果表明,两个可解释性算法能够很好地解释图机器学习算法的预测结果,并且能很好地完成不同领域的可解释性任务。本文最后还实现了一套基于图模型的可解释性系统,该系统实现了从数据处理、模型训练、模型解释和结果展示的全自动化流程,并可与用户进行交互来调整算法参数以适应不同的可解释性任务。