Lokale Nachbarschaften spielen eine entscheidende Rolle bei der Embedding-Generierung in graphbasiertem Lernen. Es wird allgemein angenommen, dass Knoten Embeddings besitzen sollten, die denen ihrer Nachbarn ähneln. In dieser Forschung erweitern wir den Begriff der Ähnlichkeit sorgfältig von lokalen Nachbarschaften auf den gesamten Graphen. Wir stellen eine Erweiterung der Ähnlichkeit vor, die auf Transitivitätsbeziehungen basiert und es Graph Neural Networks (GNNs) ermöglicht, sowohl globale als auch lokale Ähnlichkeiten im gesamten Graphen zu erfassen. Wir führen das Transitivity Graph Neural Network (TransGNN) ein, das nicht nur lokale Knotenähnlichkeiten berücksichtigt, sondern durch die Unterscheidung starker von schwachen Transitivitätsbeziehungen auch globale Ähnlichkeiten einbezieht und nutzt. Wir evaluieren unser Modell an mehreren realen Datensätzen und zeigen, dass es die Leistung mehrerer etablierter GNN-Modelle erheblich verbessert, insbesondere bei Aufgaben wie der Knotenklassifikation.