SimGNN、GMN、GraphSIM的对比

SimGNN

本文提出的模型由两个部分组成，分别为图级嵌入交互和节点对比较

SimGNN特点：

1、采用了粗糙的图级嵌入相似度比较和细粒度的节点嵌入相似度比较作为补充

2、在节点嵌入转换图级嵌入中使用了注意力机制，受类似于全局上下文的节点应该获得更高的关注权重所启发

3、图级嵌入相似度比较采用了NTN，节点级嵌入相似度比较采用了假节点零向量补充和高效的直方图而不是BFS排序

代码改进：可微池化代替了注意力机制

通过GCN计算每个节点嵌入

计算全局图上下文信息c，添加注意力机制，每个节点跟c越相似，则该节点的注意力权重越高，最后将节点特征嵌入乘以权重，再进行聚合生成图嵌入

将两个图的嵌入放入NTN，得到图相似度向量

通过标准全连接层逐步降低相似度向量维度，最后得到相似度分数

计算图对各个节点的嵌入向量的内积生成相似度矩阵，对于节点少的图添加假节点，通过提取矩阵的直方图特征作为相似度向量，但是直方图特征不是连续微分函数，所以该部分不能训练，只能作为模型的补充

采用AIDS、LINUX、IMDB三个数据集和time、mse、spearman‘s rank correlation coefficient、kendall' rank correlation coefficient、P@k五个度量

本文提出了两个模型，第一个是基于标准GNN的图相似度计算模型GEM，第二个是文章重点GMN

将图的原始边特征向量和点特征向量输入到多分类器，产生对应的特征向量

将各个节点的邻域节点特征传递到该节点，并进行聚合，生成下一层节点特征

将节点特征聚合转化为图级特征

在GEM基础上添加了注意力模块，该模块为两个图各个节点的相似度权值，计算复杂度会变高

GMN改变节点更新模块在每个传播层不仅考虑聚合每个节点邻域节点的信息，而且跨图匹配向量匹配一个节点在一个图可以匹配另一个图的一个或多个节点

图编辑距离、控制流程图相似二元函数搜索、消融实验

本文基于假设：

即使这两个感兴趣的图的大小相似，它们之间的实际差异也可能在于非常小的局部子结构，这是很难被单个向量捕获的

模型由多角度邻域聚合层、相似度矩阵生成层、CNN层组成

在GCN的每一个聚合层，计算节点之间的相似度，，避免多次聚合后信息的丢失，也符合人类自顶向下比较图的方式

通过广度遍历排序、最大填充、矩阵重采样，生成GCN每层的相似度矩阵

将各个相似度矩阵传入CNN，再传入全连接层，获取最后的相似度分数

采用AIDS, LINUX, IMDB, PTC四种数据集和mse、Spearman’s Rank Correlation Coef ﬁcient (ρ)、Kendall’s Rank Correlation Coefﬁcient (τ)、Precision at k (p@k)四种评估标准