摘要
在属性图社区检测中，如何有效整合图结构与节点属性，同时将具有语义相似性和结构接近性的节点归为同一社区，仍是一个重要挑战。为解决这一问题，本研究提出TVHCL-CD，这是一种基于双视角层次对比学习方法的社区检测算法。该算法分别从节点属性矩阵和模块度矩阵中构建属性视角和模块度视角，以此来刻画属性语义及高阶社区结构先验。随后通过结合多阶邻域先验的双视角图注意力编码器并行学习结构感知的双视角表示。此外，还设计了一个结构增强型图Transformer融合模块，通过在全局自注意力中引入可学习的邻接偏置，在前馈网络中加入视角感知的门控机制，从而实现两种视角表示在节点层面的自适应融合。为使优化目标与社区语义保持一致，进一步提出了层次对比学习策略：视角级一致性对比学习通过构建模块度引导的增强视角来提升表示的鲁棒性；而社区级语义对比学习则利用部分真实标签来增强社区内部的紧凑性以及不同社区之间的区分度。最后，对融合后的表示进行聚类，从而得到社区划分结果。在八个真实世界的属性图以及生成的树状属性图Tree-2500上的实验结果表明，TVHCL-CD在半监督传递学习环境下具有出色的性能，而消融实验也验证了其各核心组件的有效性。
