🛩️
跨图注意力机制
GMN：Graph Matching Networks for Learning the Similarity of Graph Structured Objects
邻域节点信息传递
- 通过边传递图1和图2的节点信息，将节点信息导入多层感知机进行软底
跨图节点匹配信息获取
- 获取图1中的节点i和图2中节点j的相似度度量在所有与图2节点中相似度度量之和的占比
- 图1中节点i和图2中的节点j的不相似之处乘以注意力系数
- 图1中节点i与图2中所有节点j的不相似之处乘以注意力系数的累加，可以看作图2是如何看待图1中的节点i的
邻域信息和跨图信息聚合
- 将节点信息、节点i的邻域信息和跨图节点匹配信息传入多层感知器，获取节点i的下一层表示
节点嵌入池化为图级嵌入
- 将图1和图2中的节点嵌入，通过合理的池化机制，转化为图级嵌入
图级嵌入相似度计算
MGMN：Multilevel Graph Matching Networks for Deep Graph Similarity Learning
图卷积获取节点嵌入
- 使用图卷积网络将邻接矩阵和初始节点特征转化为节点嵌入，在训练输入的G1和G2图时，孪生网络共享权重矩阵参数
注意力系数计算
- 使用cosine度量函数计算图1和图2中点的相似度，作为注意力系数
节点对应的图级注意力表示
- 图1中节点i和图2中所有节点表示的相似度乘以图2中所有节点表示的累加，构成了节点i对应的图级注意力表示，可理解为图2是如何看待节点i的
多角度跨图匹配机制
- 将节点表示和对应的图级注意力表示分别乘d维的可学习权重向量，然后再通过度量函数比较，可获取节点和图级表示的跨图交互特征
LSTM池化层
- 通过LSTM将图中的所有跨图交互特征向量池化维图级向量
预测层
- 通过cosine度量和内积度量，获取图级向量的相似度，并分别执行分类 任务和回归任务
H2MN:Graph Similarity Learning with Hierarchical Hypergraph Matching Networks
超图获取节点嵌入
注意力系数计算
- 使用cosine度量函数计算图1和图2隔间点的相似度，作为注意力系数
节点对应的图级注意力表示
- 节点i和节点j注意力系数的占比乘以节点j的表示的累加，构成了节点i对应的图级注意力表示，可理解为图2是如何看待节点i的
多角度跨图匹配机制
- 将节点表示和对应的图级注意力表示分别乘d维的可学习权重向量，然后再通过度量函数比较，可获取节点和图级表示的跨图交互特征
注意力机制池化层
- 将每层的节点交互嵌入通过注意力机制进行池化，获取第k层的图级嵌入
预测层
- 通过cosine度量和内积度量，获取图级向量的相似度，并分别执行分类 任务和回归任务
总结
- 三种跨图注意力机制中，H2MN和MGMN相似，都是先获取对于节点i的注意力图级嵌入，然后多角度比较节点i嵌入和注意力图级嵌入，可理解为自己本身和别人眼中的你的交互；不同之处是H2MN的注意力系数是比值和为1，而MGMN中的注意力系数为相似度
- GMN也是计算了注意力系数的比值，但没有使用多角度匹配，只是将节点i与图2的各个节点的差异根据注意力系数的比值进行累加
