Este artículo analiza la agrupación profunda de grafos (DGC), que clasifica de forma no supervisada los nodos de los grafos de atributos en múltiples clústeres. Para abordar los desafíos de los grafos de atributos del mundo real, que suelen ser grandes y carecer de atributos, proponemos un novedoso método de DGC: la "Diferenciación Complementaria de Vecinos Multivista (CMV-ND)". CMV-ND preprocesa la información estructural del grafo en múltiples perspectivas de forma completa y sin redundancia. Específicamente, expande completamente la estructura local del grafo mediante la búsqueda recursiva de vecinos y elimina la redundancia entre vecinos con diferentes distancias de salto mediante una estrategia de diferenciación de vecinos. Posteriormente, construye K+1 perspectivas complementarias a partir de representaciones de salto diferenciales y características del nodo objetivo, y aplica métodos existentes de agrupación multivista o DGC. Los resultados experimentales en seis conjuntos de datos de grafos ampliamente utilizados demuestran que CMV-ND mejora significativamente el rendimiento de varios métodos.
