En los últimos años, se han desarrollado ampliamente algoritmos de similitud de grafos basados en redes neuronales. Sin embargo, con un aumento en el recuento de nodos en los grafos, estos modelos sufren o bien de una capacidad de representación reducida o se enfrentan a un aumento significativo en el costo computacional. Para abordar este problema, en este estudio se propuso un algoritmo de similitud de grafos basado en la partición de grafos y mecanismos de atención. Nuestro método primero dividió cada grafo de entrada en subgrafos para extraer directamente las características estructurales locales. Se emplearon la convolución de grafos residuales y mecanismos de autoatención de múltiples cabezas para generar incrustaciones de nodos para cada subgrafo, extraer la información de las características de los nodos y regenerar las incrustaciones de subgrafos utilizando pesos de atención variables. Inicialmente, se realizaron cálculos de similitud de coseno aproximados en todos los pares de subgrafos de los dos conjuntos de subgrafos, seleccionando los pares altamente similares para un cálculo preciso de la similitud. Estos resultados se integraron luego en la puntuación de similitud para el grafo de entrada. Los resultados experimentales indicaron que el algoritmo de aprendizaje propuesto superó a los algoritmos tradicionales y modelos de computación similares en cuanto al rendimiento de cálculo de similitud de grafos.