Abstract
图聚类旨在将图中的节点划分为几个不同的簇，是一项基础但具有挑战性的任务。借助深度学习强大的表示能力，深度图聚类方法在近年取得了巨大成功。然而，相应的调查论文相对稀缺，有必要对这一领域进行总结。出于这一动机，我们进行了深度图聚类的全面调查
- 首先，我们介绍了该领域的公式化定义、评估和发展
- 其次，基于四个不同的标准，包括图类型、网络架构、学习范式和聚类方法，提出了深度图聚类方法的分类法
- 第三，我们通过广泛的实验仔细分析了现有方法，并总结了从五个角度出发的挑战和机遇，包括图数据质量、稳定性、可扩展性、区分能力和未知簇数量
- 此外，介绍了深度图聚类方法在计算机视觉、自然语言处理、推荐系统、社交网络分析、生物信息学和医学科学等六个领域的应用
- 最后但同样重要的是，本文提供了开放资源支持，包括
- 1）最先进的深度图聚类方法（论文、代码和数据集）的收集（https://github.com/yueliu1999/Awesome-Deep-Graph-Clustering
- 2）深度图聚类的统一框架（ht