GAFGCN：一种基于图增强的融合网络，用于提升带属性图中的深度聚类效果

《Neural Networks》：GAFGCN: A Graph Augmented Fusion Network for Enhanced Deep Clustering in Attributed Graphs

　　

蒋英明|郭海燕

摘要

属性图聚类旨在根据结构和属性的相似性将节点划分为紧密的组。我们提出了一种新颖的图增强融合聚类网络（GAFGCN），该网络引入了一种改进的图构建策略，并从局部到全局的角度捕捉多尺度特征。GAFGCN由四个关键模块组成：（1）信息增强编码器模块（IEM），用于初始节点表示；（2）图增强与信息提取模块（GAIE），用于构建增强图并捕获高阶信息；（3）并行信息学习模块（PILM），用于多尺度特征提取；（4）自适应融合学习模块（SFLM），用于自适应地融合节点表示并生成聚类结果。在九个数据集上进行的广泛实验证明了我们提出方法的有效性和优越性，优于现有的最先进方法。