यह शोधपत्र डीप ग्राफ क्लस्टरिंग (DGC) पर चर्चा करता है, जो विशेषता ग्राफ में नोड्स को अपर्यवेक्षित रूप से कई क्लस्टरों में वर्गीकृत करता है। वास्तविक दुनिया के विशेषता ग्राफ, जो अक्सर बड़े होते हैं और जिनमें अक्सर विशेषताएँ नहीं होतीं, की चुनौतियों का समाधान करने के लिए, हम एक नवीन DGC विधि, "पूरक बहु-दृश्य पड़ोसी विभेदन (CMV-ND)" प्रस्तावित करते हैं। CMV-ND, ग्राफ की संरचनात्मक जानकारी को पूर्ण और गैर-अनावश्यक तरीके से कई परिप्रेक्ष्यों में पूर्व-संसाधित करता है। विशेष रूप से, यह पुनरावर्ती पड़ोसी खोज के माध्यम से ग्राफ की स्थानीय संरचना का पूर्ण विस्तार करता है और एक पड़ोसी विभेदन रणनीति के माध्यम से विभिन्न हॉप दूरियों वाले पड़ोसियों के बीच अतिरेक को हटाता है। फिर, यह विभेदक हॉप अभ्यावेदन और लक्ष्य नोड विशेषताओं से K+1 पूरक परिप्रेक्ष्यों का निर्माण करता है, और मौजूदा बहु-दृश्य क्लस्टरिंग या DGC विधियों को लागू करता है। छह व्यापक रूप से उपयोग किए जाने वाले ग्राफ डेटासेट पर प्रायोगिक परिणाम प्रदर्शित करते हैं कि CMV-ND विभिन्न विधियों के प्रदर्शन में उल्लेखनीय रूप से सुधार करता है।
