본 논문은 속성이 부족한 그래프에 대한 심층 그래프 클러스터링(DGC) 문제를 다룬다. 기존의 속성 결측값 채우기 방법들은 노드 이웃 간의 정보량 차이를 고려하지 못해 신뢰할 수 없는 결과를 초래하는 문제점을 가지고 있다. 이를 해결하기 위해, 본 논문에서는 Divide-Then-Rule Graph Completion (DTRGC)이라는 새로운 방법을 제안한다. DTRGC는 충분한 정보를 가진 노드부터 처리하여, 그 결과를 이용해 정보가 부족한 노드를 반복적으로 채우는 방식을 사용한다. 여기에는 클러스터링 정보를 이용한 오류 수정이 포함된다. 구체적으로, Dynamic Cluster-Aware Feature Propagation (DCFP), Hierarchical Neighborhood-aware Imputation (HNAI), Hop-wise Representation Enhancement (HRE) 세 가지 모듈로 구성되어 있으며, 각 모듈은 클러스터링 정보와 이웃 노드 정보를 활용하여 속성 결측값을 효과적으로 채우고 노드 표현을 풍부하게 한다. 실험 결과, DTRGC는 속성이 부족한 그래프에서 다양한 DGC 방법들의 클러스터링 성능을 크게 향상시킨다.
