最大公共子图推理的图相似度计算范式

可解释的相似度得分

通过隐式推断最大公共子图来计算相似度，使预测结果与关键子图结构直接对应，超越了现有将交互信息压缩为隐藏向量的黑箱方法。

Zixun, Lan · Hong, Binjie · Ma, Ye · 马飞

IEEE Transactions on Knowledge and Data Engineering 2024

技术优势

相似度可解释

通过推断最大公共子图，相似度分数直接对应两图共享的关键子结构，而非黑箱向量。

无需 MCS 标注

训练仅使用相似度分数作为监督信号，无需显式标注最大公共子图，降低数据获取成本。

性能超越基线

在多个图-图分类与回归任务上一致优于现有最优方法，且结构简单。

应用场景

• 图相似性搜索：替代黑箱嵌入方法，提供可解释的图相似度排序，便于用户理解检索结果。
• 药物分子筛选：通过最大公共子结构解释分子相似性，辅助筛选结构相关的候选药物。
• 社交网络分析：可解释地比较用户子图结构，揭示群体相似性的关键连接模式。
• 知识图谱匹配：提供对齐子图的可视化证据，增强实体匹配结果的可信度。