摘要
本工作提出了一种两阶段神经架构，用于学习并优化图之间的结构对应关系。首先，我们利用图神经网络计算的局部节点嵌入，获得节点间软对应关系的初始排序。其次，我们采用同步消息传递网络，对这些软对应关系进行迭代重排序，以在图的局部邻域内达成匹配共识。我们从理论和实验两个层面证明，所提出的消息传递机制能够计算出对应局部邻域间具有良好理论基础的一致性度量，该度量进一步用于指导迭代重排序过程。我们的方法完全基于局部信息且对稀疏性具有感知能力，因此在处理大规模真实世界输入时具有良好的可扩展性，同时仍能一致地恢复全局对应关系。我们在计算机视觉与知识图谱实体对齐等真实世界任务上验证了该方法的实用性，并在这些任务上超越了当前最先进的技术水平。相关源代码已开源，地址为：https://github.com/rusty1s/deep-graph-matching-consensus。