Este documento presenta un algoritmo eficiente para emparejar consultas de subgráficos en un multigráfico basado en técnicas de indexación basadas en características. La estructura de datos del árbol KD representa las características de estos nodos, mientras que la estructura de datos de índice de trie de conjunto representa las multi-arcos para realizar consultas de manera efectiva. El número central del vértice, el número de triángulos y el grado del vértice son las principales características de las ocho características. El vértice más denso en el gráfico de consulta se extrae en función de estas características principales. El modelo propuesto consta de dos fases. La idea principal de la primera fase es que, para el vértice más denso extraído en el gráfico de consulta, encuentre la estructura de vecindad de densidad similar en el gráfico de datos. Luego, encuentre la consulta de vecindad k-más cercana para obtener el subgráfico más denso. La segunda fase para cada gráfico de capa, asignando el vértice al vector de características (Incrustación de Vértices), mejora el modelo propuesto. Para reducir el tamaño de la incrustación de nodos para que sea eficiente con el árbol KD, se utiliza un método de reducción de dimensiones, el análisis de componentes principales (PCA). Además, las condiciones de ruptura de simetría eliminarán la redundancia en el patrón de coincidencia generado con el gráfico de consulta. En ambas fases, se aplica un proceso de filtrado para minimizar el número de nodos de datos candidatos del vértice de consulta inicial. Finalmente, se prueba el efecto de la concatenación de las características estructurales (características de órbitas) con las meta-características (resumen de general, estadístico, información teórica, etc.) para las firmas de nodos en el rendimiento del modelo. El modelo propuesto se probó en tres conjuntos de datos de multigráficos reales, y en dos conjuntos de datos de multigráficos generados aleatoriamente. Los resultados concuerdan con el estudio teórico tanto en cliques aleatorias como en gráficos aleatorios de Erdos. Los experimentos mostraron que la eficiencia temporal y los resultados de escalabilidad del modelo propuesto son aceptables.