本文介绍了 GraphSim 模型，该模型从直接匹配两组节点嵌入的角度解决了图相似性计算问题，获得了在四个真实世界图数据集上的最先进性能。

Sep, 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

该研究提出了一种名为 SimP-GCN 的新框架，它可以有效地保留节点相似性，同时利用图结构进行图表示学习，并使用自监督学习以显式捕获节点之间的复杂特征相似性和相异性关系。该框架在多个基准数据集上取得了比代表性基线更好的效果。

Nov, 2020

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

本文提出了一种基于深度学习的 CNN-ED 管道，将编辑距离嵌入欧几里得距离以进行快速近似相似度搜索来优化字符串相似度搜索。实验结果表明，与数据无关的 CGK 嵌入和基于 RNN 的 GRU 嵌入相比，基于 CNN 的嵌入在准确性和效率方面都优于前者，有时效率提高了若干个数量级。

Jan, 2020

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

本文提出了一种对计算机视觉、图分类和协同过滤等领域特别有用的图相似性计算方法。此方法称为自监督图相似性学习，其基于对图像对的图形匹配任务和自学来训练的一种对比学习框架，可以更好地揭示图像的差异和共性，并跨越不同的图形对进行一致性识别。此方法依赖于具有有效单个图表示的现有图形神经网络，同时启用交叉图和交叉视图互动以增强节点表示的一致性和区分度，并通过汇集操作将节点表示转换为图级表示进行图相似性计算。

May, 2022

本文提出基于混合高斯模型的无序图卷积神经网络（DGCNN）解决现有卷积方法在处理不规则形状的图数据时可能丢失结构信息和引入冗余信息的问题，实现了卷积核与图结点之间的映射，结合前向处理层和反向传播算法提高了信息处理效率，该方法在多个标准图数据集上的分类和检索任务中表现优于现有方法。

Dec, 2017

通过理论分析揭示了图神经网络（GNN）校准与节点相似性之间的关系，并提出了一种新的校准框架 SimCalib，该框架能够考虑全局和局部层面上的节点相似性，实验证明节点相似性与模型校准的改进存在相关性，并通过在 14 个基准测试中达到最先进性能的大量实验，证明了提出的 SimCalib 框架对 GNN 校准的有效性。

Dec, 2023

本文研究了 Graph Convolutional Neural Networks 在半监督节点分类中的表现。实验发现，节点的相似度和 GCN 的性能有正相关关系，并且 GCN 在同一类中节点邻居的一致性和唯一性对性能影响显著。

Jul, 2022