KDD，全称ACM SIGKDD Conference on Knowledge Discovery and Data Mining, 是目前国际数据挖掘领域公认的顶尖会议。近期，KDD2021虚拟会议已于线上圆满举办。本次KDD2021的research track共收到1541篇有效投稿，其中238篇论文被接收，接收率为15.44%。实验室张震博士的论文《H2MN: Graph Similarity Learning with Hierarchical Hypergraph Matching Networks》被KDD2021发表并进行了口头报告。
图是建模实体与实体之间关系的常用数据结构。近年来，图数据挖掘引起了学术界和工业界广泛的关注，如分类、聚类等等。然而图相似度学习这一任务却未得到充分的研究。由于图结构数据的复杂、多样性，如图中节点个数大小不一、图结构错综复杂，使得图相似度学习算法的设计充满了挑战性与特殊性。为此，该论文基于图神经网络、图池化算子以及子图匹配等模块，设计了一种超图匹配框架来高效的进行图相似度推理。更进一步，通过在多个公开数据集包括生物以及社交网络等类型图数据上进行验证，该论文提出的方法均取得了最佳的效果。论文全文地址：https://dl.acm.org/doi/pdf/10.1145/3447548.3467328, 实验数据及代码地址：https://github.com/cszhangzhen/H2MN