En este artículo, proponemos un método novedoso, la Diferenciación de Vecindarios Multivista Complementaria (CMV-ND), para abordar el problema de agrupamiento profundo de grafos (DGC) en grafos de atributos reales a gran escala con atributos faltantes. CMV-ND preprocesa la información estructural del grafo en múltiples vistas completas y no redundantes. Esto se implementa expandiendo completamente el vecindario de nodos a lo largo de varias distancias de salto mediante la búsqueda recursiva de vecinos y eliminando nodos redundantes entre diferentes representaciones de salto mediante una estrategia de diferenciación de vecinos. Finalmente, se construyen $K+1$ vistas complementarias a partir de $K$ representaciones de salto diferenciales y las características de los nodos objetivo, y se aplican métodos convencionales de agrupamiento multivista o DGC. Los resultados experimentales en seis conjuntos de datos de grafos populares muestran que CMV-ND mejora significativamente el rendimiento de varios métodos.
