Szene-Graphen wurden kürzlich in die 3D-Raumverstehensforschung eingeführt, um eine umfassende Darstellung der Szene zu bieten. Die Ausrichtung von 3D-Szene-Graphen ist der erste Schritt vieler nachgelagerter Aufgaben, wie z.B. der punktwolkenregistrierung mit Unterstützung durch Szene-Graphen, der Bildmosaikierung, der Überlappungsprüfung und der Roboter-Navigation. In dieser Arbeit behandeln wir die Ausrichtung von 3D-Szene-Graphen als ein Problem des teilweisen Graph-Matchings und schlagen vor, es mit einem Graph Neural Network (GNN) zu lösen. Wir verwenden die geometrischen Merkmale, die von einer Methode zur Punktwolkenregistrierung gelernt wurden, und verbinden die auf Punkt-Ebene clusternden geometrischen Merkmale mit den semantischen Merkmalen auf Knoten-Ebene durch unser speziell entwickeltes Feature-Fusion-Modul. Das teilweise Matching wird ermöglicht, indem eine lernfähige Methode verwendet wird, um die top-k ähnlichen Knotenpaare auszuwählen. Nachfolgende Aufgaben wie die Punktwolkenregistrierung werden erreicht, indem man ein vortrainiertes Registrierungsnetzwerk innerhalb der übereinstimmenden Regionen ausführt. Wir schlagen außerdem eine Methode zur Neubewertung des Point-Matchings vor, die das Knotenzuordnungsergebnis des 3D-Szene-Graphen verwendet, um die Match-Kandidaten eines vortrainierten Punktwolkenregistrierungsverfahrens neu zu gewichten. Dies reduziert insbesondere in Fällen mit geringer Überlappung die falsch geschätzten Punktkorrespondenzen. Experimente zeigen, dass unsere Methode in Szenarien mit geringer Überlappung und zufälligen Transformationen die Ausrichtungspräzision um 10~20% verbessert und bestehende Arbeiten in mehreren nachgelagerten Aufgaben übertrifft.