多数链接预测模型是解释性较差的黑盒模型,因此不少学者提出了针对链接预测的解释方法,但这些方法存在着解释的目标模型单一、缺乏泛化能力、解释结果准确率不足等缺陷.为弥补这些不足,提出一种基于边扰动的链接预测的解释方法.首先利用广度优先搜索得到从头实体到尾实体的所有路径,随后搜索路径所经过实体的邻居节点,形成待解释三元组的训练子图;然后采用边扰动的方式在训练子图上重新训练嵌入模型,计算每条边对预测结果的影响程度;最后通过双向的束搜索得到对预测结果影响程度最大的路径,作为待解释三元组的解释路径.实验表明,该方法在公共数据集上的性能超过了大多数的链接预测解释方法,ACC相较于最先进的方法提升了　2.3％,AUPR提升了　1.9％.同时在生物医学数据集上针对使用链接预测技术的药物重定位任务进行结果的解释实验,其解释体现了良好的可理解性、启发性.提出了一种不依赖于特定模型且有效的解释方法,该方法通过边扰动和路径搜索得到解释路径,使结果的解释更加直观和易于理解,同时能够为不同领域的知识图谱应用提供支持.