본 논문은 속성 그래프의 노드를 여러 클러스터로 비지도 학습 방식으로 분류하는 심층 그래프 클러스터링(DGC)에 대해 다룹니다. 실제 세계의 속성 그래프는 대규모이고 속성이 누락되는 경우가 많다는 문제점을 해결하기 위해, '상보적 다중 관점 이웃 차별화(CMV-ND)'라는 새로운 DGC 방법을 제안합니다. CMV-ND는 그래프 구조 정보를 완전하면서도 중복되지 않는 방식으로 여러 관점으로 전처리합니다. 구체적으로, 재귀적 이웃 탐색을 통해 그래프의 지역 구조를 완전히 확장하고, 이웃 차별화 전략을 통해 다른 홉 거리의 이웃 간 중복을 제거합니다. 그 후, 차별 홉 표현과 타겟 노드의 특징으로부터 K+1개의 상보적 관점을 구성하고, 기존의 다중 관점 클러스터링 또는 DGC 방법을 적용합니다. 여섯 개의 널리 사용되는 그래프 데이터셋에 대한 실험 결과, CMV-ND가 다양한 방법의 성능을 크게 향상시킨다는 것을 보여줍니다.
