局部邻域在基于图的表示学习中起着至关重要的作用。通常认为，节点的嵌入应与其邻居节点的嵌入相似。在本研究中，我们致力于将相似性概念从局部邻域逐步拓展至整个图结构。为此，我们提出了一种基于传递性关系的相似性扩展方法，使图神经网络（Graph Neural Networks, GNNs）能够同时捕捉图中全局与局部的相似性特征。我们提出了传递性图神经网络（Transitivity Graph Neural Network, TransGNN），该模型不仅关注局部节点间的相似性，更通过区分强传递性关系与弱传递性关系，有效利用全局相似性信息。我们在多个真实世界数据集上对所提模型进行了评估，结果表明，TransGNN显著提升了多种经典GNN模型在节点分类等任务上的性能表现。