图神经网络具有很强的图表示学习能力，在各种实际应用中取得了巨大的成功。GNN通过聚集和转换节点邻域内的信息来探索图的结构和节点特征。但是，通过理论和实证分析，我们发现GNN的聚集过程会破坏原始特征空间中的节点相似性。在许多场景中，节点相似性起着关键作用。因此，本文提出的SimP-GCN框架可以在利用图结构的同时有效地保持节点相似性。具体地说，为了平衡图结构和节点特征信息，我们提出了一种自适应地集成图结构和节点特征的特征相似性保持聚合。此外，我们使用自监督学习来显式地捕捉复杂特征之间的相似性和差异性关系。在包括3个同选型图和4个异选型图的7个基准数据集上验证了SimP-GCN的有效性。结果表明SimP-GCN优于代表性基线。进一步的研究显示了所提议的框架的各种优点。

https://arxiv.org/abs/2011.09643