使用卷积神经网络在三个真实图形数据集上，展示了 GSimCNN 在计算结点间相似度方面的卓越性能。

Oct, 2018

本文提出一种新颖的神经网络方法 SimGNN，该方法通过可学习的嵌入函数和注意力机制实现了对图形编辑距离等图形相似性计算的高效计算和良好性能的综合优化，并在三种真实图数据集上取得了比现有基线算法更小的误差率和更大的时间降低。

Aug, 2018

本文介绍一种学习图嵌入的简单、有效方法，通过密集向量表示来近似节点之间的距离，以反映用户定义的图距离度量，避免了直接在图结构上进行操作引起的低效性，证明该方法在语义相似性和词义消歧任务上的表现比其他图嵌入方法更优秀，同时在 WordNet 和两个知识库图上进行了评估。

Jun, 2019

本文对深度图相似性学习的现有文献进行了综述和分类，讨论了方法和应用的挑战和未来方向。

Dec, 2019

本文提出了一种新型图核心方法，称为多尺度路径结构图核心方法（MPG），它考虑了子结构的分布和不同尺度的图结构，并使用 Wasserstein 距离计算相似度，实验结果表明其性能超越了现有方法。

Jun, 2022

本文提出了两个关键性贡献：首先是演示了图神经网络如何训练并嵌入向量空间，以便有效地进行相似性推理；其次是提出了一种新的图匹配网络模型，通过新的跨图注意力匹配机制，在一对图之间共同推理，计算它们之间的相似度得分。在不同领域的实验分析表明，本文提出的模型不仅能够在相似性学习的上下文中利用结构，而且能够优于针对此类问题精心设计的基线系统。

Apr, 2019

该论文提出了一种新的图相似度度量方法，利用卷积神经网络和谱图理论概念，在不规则图上执行操作，通过对临床应用量身定制的图相似度度量方法，将 k-nn 分类器的性能提高了 11.9％。

Mar, 2017

本研究讨论了基于图编辑距离（GED）估计的图相似度计算（GSC）任务，提出了一种简单而强大的正则化技术，叫做对齐正则化（AReg），该技术通过在训练阶段为图神经网络（GNN）编码器施加节点 - 图对应约束来提高学习质量，并且在推理阶段，直接使用 GNN 编码器学习的图级表示来计算相似度得分，而无需再次使用 AReg 进行加速，同时还提出了一种多尺度 GED 鉴别器来增强学习表示的表达能力。实验证明了我们的方法的有效性、高效性和可迁移性。

Jun, 2024

该研究设计了端到端的可微分深度网络，以学习图匹配的亲和力，并采用排列损失和图嵌入作为优化目标函数，具有在现实世界应用中广泛的适用性和超越现有状态的性能。

Apr, 2019

该研究提出了一种更易解释的基于最大公共子图推断的图相似性学习的端到端学习范式，并使用变压器编码器层和图卷积层堆叠一些基本组件，以捕获更全局的信息，并且通过可视化和统计结果验证了 INFMCS 的可解释性和对基于图的分类和回归任务的性能优于现有模型的能力。

Aug, 2022