图相似度就是返回两个图的相似性得分，比如两个化学分子结构，相似程度怎么样？图相似度/距离计算，如图编辑距离（GED）和最大公共子图（MCS），是图相似度搜索和许多其他应用程序的核心操作，但在实际应用中计算成本非常高。
为了在保持良好性能的同时减轻计算负担。作者提出了基于神经网络的SimGNN，它结合了两种策略。首先，我们设计了一个可学习的嵌入函数，它将每个图映射到一个嵌入向量中，得到整个图的全局向量表达。提出了一种新的注意机制来强调特定相似度度量的重要节点。其次，我们设计了一种成对的节点比较方法，用细粒度的节点层信息来补充图级嵌入。模型实现了更好的泛化，在最坏的情况下，对于两个图中的节点数在二次时间内运行。
简单的说，SimGNN不仅获得好的图的信息表达，还要获得好的结点信息表达，以更好的进行图相似度比较
传统的图相似度搜索方法计算时间复杂度都很高。由于神经网络计算的性质，SimGNN具有效率的关键优势。然而，为了提高有效性，我们需要仔细设计神经网络架构，以满足以下三个特性：
(1)Representation-invariant。通过排列节点