摘要
近年来，图卷积网络（Graph Convolutional Networks, GCNs）在图匹配任务中展现出巨大潜力。它能够在一个统一的端到端模型中，融合图节点特征嵌入、节点级相似性学习以及匹配优化过程。图匹配的一个关键环节是构建两组匹配图。然而，现有图卷积匹配网络所使用的匹配图通常是固定且与图匹配任务相互独立的，因此无法保证其对图匹配任务是最优的。此外，现有的GCN匹配方法通常采用多层基于平滑的图卷积操作来生成节点嵌入，而过度的平滑化卷积操作可能会削弱节点间所具有的判别性信息。为解决上述问题，本文提出一种新型的图学习-匹配网络（Graph Learning-Matching Network, GLMNet），用于图匹配任务。GLMNet主要包含三个核心方面：（1）将图学习过程融入图匹配框架，从而自适应地学习一对最有利于图匹配任务的最优图结构；（2）引入拉普拉斯锐化卷积模块，以生成更具判别性的节点嵌入，增强模型对节点差异的捕捉能力；（3）设计一种新型的约束正则化损失函数，用于GLMNet的训练，该损失函数能够有效编码匹配优化过程中所需的“一对一”匹配约束。在两个公开基准数据集上的实验结果表明，GLMNet在图匹配任务中具有显著的有效性，且其核心模块均展现出明显的性能优势。