Nous introduisons un noyau novateur qui améliore les noyaux de graphes de type Weisfeiler-Lehman et d'autres noyaux de graphes afin d'exploiter efficacement des attributs de sommets de haute dimension et continus. Les graphes sont d'abord décomposés en sous-graphes. Les sommets de ces sous-graphes sont ensuite comparés à l'aide d'un noyau combinant la similarité de leurs étiquettes et la similarité de leur rôle structurel, en utilisant un invariant de sommet approprié. En modifiant cet invariant, nous obtenons une famille de noyaux de graphes qui inclut des généralisations des noyaux Weisfeiler-Lehman, NSPDK et des noyaux de propagation. Nous démontrons empiriquement que ces noyaux atteignent des résultats de pointe sur des ensembles de données relationnelles.