双特征增强图聚类网络：提升非重要图结构信息与冗余融合表征的判别力

本文推荐：该研究针对深度图聚类（Deep Graph Clustering）中非关键图结构信息干扰和冗余融合表征问题，提出双特征增强图聚类网络（DFE-GCN）。通过关键节点选择机制（CNSM）动态调整边权重，结合异构信息融合策略（HIFS）分层过滤冗余表征，显著提升图表示判别力。实验证明其在ACM等5个数据集上优于现有方法。

　　

亮点

• 提出DFE-GCN，通过捕获关键图结构信息并过滤冗余融合表征，显著增强图表示判别力。

• 关键节点选择机制（CNSM）通过计算节点重要性分数优化边连接强度，构建鲁棒图结构。

• 异构信息融合策略（HIFS）逐层微调节点属性与图结构，动态剔除冗余信息形成目标分布。

结构信息增强

在图聚类领域，图卷积网络（GCN）提取的结构特征对性能至关重要。Gong等提出随机游走策略捕获节点间潜在关联，Jiao等通过图优化方法提升结构可靠性。

模型设计

DFE-GCN架构如图1所示，核心包含CNSM和HIFS模块。基于SDCN框架的自动编码器（AE）与GCN分别提取属性与结构特征，CNSM通过节点重要性评分强化关键边连接，HIFS则通过动态过滤实现异构信息精准融合。

基准数据集

实验覆盖5个基准数据集（REUT、HHAR、ACM、CITE、DBLP），非图数据采用KNN构建结构信息（详见表3）。

实验设置

基于PyTorch平台与NVIDIA 1080 GPU，DFE-GCN采用两阶段训练策略。

结论

DFE-GCN通过CNSM增强关键边信息传播，结合HIFS过滤冗余表征，在多个数据集上验证了其优越性。

作者贡献声明

孙梦哲：资源、方法设计；韩仁达：软件、项目管理；李泽一：文稿撰写与修订；李梦菲：数据分析；胡天宇：监督验证；杨振华：资金支持；刘静昕：可视化支持。

利益冲突声明

作者声明无潜在利益冲突。

致谢

本研究受海南省自然科学基金青年项目（624QN279）与琼台师范学院校级青年基金（Qtqn202309）资助。