Wir stellen einen neuen Kern vor, der die Weisfeiler-Lehman-Kerne und andere Graphkerne dahingehend erweitert, dass hochdimensionale und kontinuierliche Knotenattribute effektiv ausgenutzt werden können. Zunächst werden Graphen in Teilgraphen zerlegt. Anschließend werden die Knoten der Teilgraphen mittels eines Kerns verglichen, der die Ähnlichkeit ihrer Labels sowie die Ähnlichkeit ihrer strukturellen Rolle kombiniert und hierbei eine geeignete Knoteninvariante verwendet. Durch Variation dieser Invariante erhalten wir eine Familie von Graphkernen, die Verallgemeinerungen von Weisfeiler-Lehman, NSPDK und Propagierungskernen umfasst. Wir zeigen empirisch, dass diese Kerne auf relationalen Datensätzen Ergebnisse auf State-of-the-Art-Niveau erzielen.