Cet article traite du clustering profond de graphes (DGC), qui classe de manière non supervisée les nœuds des graphes d'attributs en plusieurs clusters. Pour relever les défis des graphes d'attributs réels, souvent volumineux et dépourvus d'attributs, nous proposons une nouvelle méthode de DGC, la « différenciation complémentaire multi-vues des voisins » (CMV-ND). La CMV-ND prétraite les informations structurelles du graphe selon plusieurs perspectives, de manière complète et non redondante. Plus précisément, elle étend pleinement la structure locale du graphe grâce à une recherche récursive des voisins et supprime la redondance entre voisins ayant des distances de saut différentes grâce à une stratégie de différenciation des voisins. Ensuite, elle construit des perspectives complémentaires K+1 à partir de représentations de sauts différentiels et des caractéristiques des nœuds cibles, et applique les méthodes existantes de clustering multi-vues ou de DGC. Des résultats expérimentaux sur six jeux de données de graphes largement utilisés démontrent que la CMV-ND améliore significativement les performances de diverses méthodes.
