CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph Similarity Learning

CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph Similarity Learning

图相似度学习是指计算两个图之间的相似度得分，这在视觉跟踪、图分类、协同过滤等许多现实应用中都是需要的。由于大多数现有的图神经网络都能生成单个图的有效图表示，因此对于联合学习两个图表示并计算其相似度得分的工作很少。此外，现有的无监督图相似度学习方法主要基于聚类，忽略了图对中蕴含的有价值信息。为此，本文提出一种用于自监督图相似度学习的对比图匹配网络(CGMN)，以计算任意两个输入图对象之间的相似度。

具体来说，我们分别为一对图中的每个图生成两个增强视图。然后，采用跨视图交互和跨图交互两种策略进行有效的节点表示学习。前者是为了加强两个视图中节点表示的一致性;后者用于识别不同图之间的节点差异。最后，通过池化操作将节点表示转换为图级表示，进行图相似度计算。在8个真实的数据集上对CGMN进行了评估，实验结果表明，提出的新方法在图相似性学习下游任务上优于现有的方法。 

总结：图相似性计算，主要采用了自监督对比学习方法，