無監督圖聚類是大規模網絡中揭示潛在語義模式的基礎技術。然而，現有基於圖對比學習的方法在迷你批次訓練中常遭遇“結構孤立”問題，即每個批次僅包含局部子圖，無法捕獲表徵全局拓撲分佈的緊密社區結構。為解決這一挑戰，來自研究機構的Jingyun Zhang等人提出了SCISE（可擴展無監督圖聚類框架），通過協同社區感知採樣與約束結構熵來保持結構完整性。該成果已被數據庫領域頂級國際會議VLDB 2026接收。
SCISE框架由三個核心模塊組成。首先，結構熵社區約束算子（SECC）在約束解空間內優化結構信息，通過最小化結構熵來減輕社區碎片化並增強分區凝聚力。結構熵是衡量圖結構不確定性的度量，SECC通過約束解空間確保分區結果符合全局拓撲規律。其次，社區感知採樣擴展（CSampE）機制解決了批次訓練中的全局信息丟失問題。傳統隨機採樣可能將同一社區的節點分散到不同批次，導致社區結構被破壞。CSampE通過將目標節點的社區上下文納入採樣批次，有效打破結構障礙並保持拓撲完整性。最後，結構對比學習（StructCL）模塊基於批次內節點間的結構相似性細化邊權重，引導圖編碼器在高階結構空間中學習表示，從而捕捉深層次的社區模式。
在Cora、Citeseer、Pubmed、DBLP、Amazon Photos和Amazon Computers這六個主流基準數據集上，SCISE在聚類準確率、歸一化互信息等指標上均顯著超越現有最先進算法。消融研究證實了每個模塊的貢獻：移除SECC後性能平均下降8%，移除CSampE下降12%，移除StructCL下降10%。魯棒性分析顯示，SCISE對噪聲邊和缺失邊具有較好的容忍度，適用於現實世界的大規模圖數據。代碼和數據集已公開在GitHub上供研究者復現。
SCISE為解決圖聚類中的結構孤立問題提供了全新思路，其社區感知採樣與結構熵約束的結合為處理大規模圖數據提供了可擴展的解決方案。未來工作可進一步將SCISE擴展到動態圖和多模態圖場景。