En el campo de la inteligencia artificial explicativa (XAI), un algoritmo o una herramienta pueden ayudar a las personas a comprender cómo un modelo toma una decisión. Y esto puede ayudar a seleccionar características importantes para reducir los costos computacionales y lograr una computación de alto rendimiento. Sin embargo, los métodos existentes suelen utilizarse para visualizar características importantes o resaltar neuronas activas, y pocos de ellos muestran la importancia de las relaciones entre características. En los últimos años, algunos métodos basados en un enfoque de caja blanca han tenido en cuenta las relaciones entre características, pero la mayoría de ellos solo pueden funcionar en algunos modelos específicos. Aunque los métodos basados en un enfoque de caja negra pueden resolver los problemas anteriores, la mayoría de ellos solo se pueden aplicar a datos tabulares o datos de texto en lugar de datos de imágenes. Para resolver estos problemas, proponemos un enfoque de explicación de modelo interpretable local y agnóstico basado en relaciones de características. Este enfoque combina las relaciones entre características en el proceso de interpretación y luego visualiza los resultados de la interpretación. Finalmente, este documento realiza una gran cantidad de experimentos para evaluar la corrección de las relaciones entre características y evaluar este método XAI en términos de precisión, fidelidad y consistencia.