平衡多关系图聚类

多关系图聚类在发现复杂网络中潜在模式方面取得了显著的成功。代表性方法通过对比学习的进展来对齐不同视图。我们的实证研究发现，现实图中存在普遍的不平衡现象，这原则上与对齐的动机相矛盾。本文首先提出一种新指标——聚合类距离，以实证量化不同图之间的结构差异。为了应对视图不平衡的挑战，我们提出平衡多关系图聚类（BMGC），包括无监督的主导视图发现和双信号引导的表征学习。它在训练过程中动态地发现主导视图，协同提高聚类性能。对主导视图发现的理论分析确保了其有效性。大量实验和深入分析表明，BMGC在真实数据集和合成数据集上实现了最先进的性能，凸显了其在解决多关系图中固有的视图不平衡方面的优势。源代码和数据集可在https://github.com/zxlearningdeep/BMGC获取。