深層学習に基づく手法は、知識グラフ上のさまざまな機械学習タスクにますます広く用いられている。実証的に、これらの手法は古典的な特徴抽出に基づく手法に比べて予測性能が優れていることが示されているが、解釈可能性（interpretability）に欠けるという課題がある。特に医療や金融など重要な分野において、解釈可能性は極めて重要な要素である。本論文では、知識グラフ内の異なるエンティティを分類するため、クラス固有の部分構造を用いた決定木を構築する手法を提案する。提案手法が、4つのベンチマークデータセットにおいて現在の最先端の深層学習手法と競合可能な性能を発揮することを示すとともに、完全に解釈可能であることを明らかにする。