基于邻域信息聚合与多视图特征提取的对比图聚类方法研究

针对图对比聚类中数据增强策略易导致语义漂移、邻域信息利用不足等问题，研究人员提出NIA-MVFE-CGC框架，通过多层感知机(MLP)生成多视图、互信息约束降维及自适应邻域关系矩阵，显著提升聚类性能。实验表明该方法在5个基准数据集上优于现有算法，为图深度学习提供了新思路。

　　

随着图数据在社交网络分析、生物信息学等领域的广泛应用，图聚类技术成为挖掘复杂网络隐藏结构的关键工具。然而，现有基于对比学习的图聚类方法面临两大挑战：一是依赖人工设计的数据增强策略可能导致图结构语义漂移；二是传统方法未能充分利用节点属性特征中的邻域信息，导致相似节点可能被错误推离。这些问题严重制约了模型的性能和泛化能力。

针对上述问题，研究人员开展了基于邻域信息聚合与多视图特征提取的对比图聚类(NIA-MVFE-CGC)研究。该工作创新性地采用多层感知机(MLP)替代数据增强来生成多视图，通过互信息最小化约束降低特征冗余，并设计潜在邻域关系构建模块，将学习到的潜在关系与原始图结构融合。此外，引入自适应权重矩阵动态调整样本间相似度，最终在五个基准数据集上验证了方法的优越性。相关成果发表在《Array》期刊。

关键技术包括：1) 使用拉普拉斯滤波器预处理节点特征；2) 双分支MLP架构生成多视图特征F^v_i；3) 基于互信息I(y^v1;y^v2)的特征维度冗余优化；4) 融合原始邻接矩阵A与特征邻接矩阵A^F构建自适应关系矩阵W；5) 跨视图结构一致性学习损失L_re。

【多视图特征提取模块】
通过多层感知机直接生成多视图特征，避免数据增强带来的干扰。采用互信息约束计算特征协方差矩阵C=F^TF，显著降低特征维度间冗余。实验显示该模块使Cora数据集ACC提升5.19%，特征相似度热图呈现明显块状结构。

【邻域信息聚合模块】
创新性地结合原始邻域与潜在邻域构建完整邻接关系。通过权重矩阵ω_ij动态调节样本相似度，其中T_ij=top_k(i)-d_ij量化节点距离差异。在AMAP数据集上，该模块使NMI达到70.26%，较基线提升6.96%。

【跨视图结构一致性学习】
通过最小化相似度矩阵S_ij=F^v_i·(F^v_j)^T与原始邻接矩阵差异，实现多视图结构对齐。消融实验表明，移除该组件会使BAT数据集ARI下降12.7%。

研究结论表明，NIA-MVFE-CGC框架通过特征冗余控制和邻域信息融合，有效解决了语义漂移和邻域信息利用不足的核心问题。在Cora、AMAP等数据集上，其ACC、NMI等指标均显著优于GCA、NACL等对比方法。该工作为图聚类研究提供了新范式，未来可进一步探索在动态图和不完整数据上的应用。值得注意的是，框架对超参数α和k的敏感性分析显示其具有良好鲁棒性，这为实际应用提供了重要参考。