複雑なクエリ応答（CQA）は、未完成の知識グラフに対する多段階の推論を必要とする高度なクエリに対処します。しかし、神経シンボリックCQA手法は依然として新興分野であり、ほとんどすべての手法はブラックボックスモデルとして見なされます。このため、ユーザーの信頼に対する懸念が生じます。CQDは部分的に解釈可能ですが、クエリの異なる部分の重要性は依然として明らかではありません。本研究ではCQD-SHAPという新しいフレームワークを提案し、各クエリ部分の特定の回答のランク付けへの貢献度を計算します。この貢献度により、不完全な知識グラフから新しい知識を推論できる神経予測器の価値が説明されます。CQD-SHAPは協力ゲーム理論のシャプレイ値に基づいて構築され、すべての基本的なシャプレイ公理を満たしています。このアプローチは、ほとんどすべてのクエリタイプでその有効性が示されています。