摘要

属性图聚类具有挑战性，因为它需要同时建模图结构和节点属性。最近在图卷积网络方面的进展证明了图卷积在结合结构信息和内容信息方面的有效性，基于此的一些最新方法已经在某些实际属性网络上取得了令人鼓舞的聚类性能。然而，对于图卷积如何影响聚类性能以及如何针对不同图适当地使用它来优化性能，目前的理解仍然有限。现有的方法基本上使用固定且低阶的图卷积，仅考虑每个节点的几跳范围内的邻居，这导致了节点关系的利用不足并忽视了图的多样性。本文提出了一种用于属性图聚类的自适应图卷积方法，该方法利用高阶图卷积捕捉全局聚类结构，并根据不同图的特点自适应选择合适的阶数。我们通过理论分析和基准数据集上的广泛实验验证了该方法的有效性。实证结果表明，我们的方法与现有最先进方法相比具有竞争力。