Les voisinages locaux jouent un rôle crucial dans l’encodage des nœuds en apprentissage basé sur les graphes. Il est généralement admis que les nœuds doivent posséder des embeddings similaires à ceux de leurs voisins immédiats. Dans cette recherche, nous cherchons à étendre de manière soigneuse le concept de similarité, initialement restreint aux voisinages proches, à l’ensemble du graphe. Nous proposons une extension de la notion de similarité fondée sur des relations de transitivité, permettant aux réseaux de neurones graphiques (GNN) de capturer à la fois des similarités locales et globales sur l’ensemble du graphe. Nous introduisons Transitivity Graph Neural Network (TransGNN), un modèle qui, au-delà des similarités locales entre nœuds, prend en compte les similarités globales en distinguant les relations de transitivité fortes des relations faibles, et en exploitant ces différences de manière efficace. Nous évaluons notre modèle sur plusieurs jeux de données réels et démontrons qu’il améliore de manière significative les performances de plusieurs modèles GNN bien établis, notamment pour des tâches telles que la classification de nœuds.