局所的な近隣領域は、グラフベースの学習における埋め込み生成において重要な役割を果たす。一般的に、ノードの埋め込みはその近隣ノードのものと類似しているべきであると考えられている。本研究では、近傍領域に限定された類似性の概念を、グラフ全体にまで拡張することに注力する。我々は、推移性（transitivity）関係に基づく類似性の拡張を提案し、これによりグラフニューラルネットワーク（GNN）がグラフ全体にわたって局所的類似性とグローバル類似性の両方を捉えることが可能になる。そこで、強い推移性関係と弱い推移性関係を区別し、それらを有効に活用することで、局所的なノード類似性を超えてグローバルな類似性を考慮する「推移性グラフニューラルネットワーク（TransGNN）」を導入する。複数の実世界データセットを用いた実験により、本モデルが、ノード分類をはじめとする様々なタスクにおいて、既存の代表的なGNNモデルの性能を顕著に向上させることを示した。