图聚类SECL模型

无需复杂数据增强，结合结构对比与模块度最大化，提升图聚类性能。

Wu, Xunlian · Jingqi, Hu · Anqi, Zhang · 权义宁 · 苗启广 · 孙鹏岗

IEEE Transactions on Network Science and Engineering 2025

技术优势

无需复杂数据增强

SECL利用跨视图对比学习机制增强节点嵌入，避免了精心设计数据增强的负担。

利用社区结构提升聚类

通过模块度最大化策略利用聚类导向信息，得到鲁棒的节点表示，从而提升聚类性能。

应用场景

• 社区发现：利用高阶社区结构信息，更准确地识别网络中的社区。
• 社交网络分析：对社交网络进行聚类，发现用户群体和关系模式。
• 推荐系统：通过图聚类获得节点表示，改进基于图结构的推荐。
• 生物网络分析：对生物网络（如蛋白质交互网络）进行聚类，揭示功能模块。
• 异常检测：借助聚类结果识别图数据中的异常节点或模式。