近日,学院林隆龙副教授在高阶关系建模与无监督聚类方向取得进展:论文LNAHC被多媒体领域国际顶级会议ACM MM 2026录用,论文LATCH被数据挖掘领域国际顶级会议SIGKDD 2027录用。以上两项成果均为CCF推荐A类会议长文。西南大学为论文第一完成单位,2025级硕士研究生王奕涵为第一作者,林隆龙副教授为唯一通讯作者。
成果一 LNAHC:属性感知的高阶超图聚类
LNAHC针对现有方法中结构与属性耦合不足、表示学习目标偏离聚类目标的问题,提出属性感知的高阶超图聚类框架。模型通过属性感知的多跳随机游走构建“结构—属性”亲和关系,将多跳属性超图归一化割的可微松弛引入轻量级神经网络,实现节点表示与簇分配的联合优化。在7个数据集、9种基线方法上的对比实验表明,该模型能够兼顾聚类质量与计算效率。

图1:LNAHC方法框架:多跳属性亲和关系建模与显式聚类优化
成果二 LATCH:风险感知的高阶关系语义校正
LATCH则关注观测到的高阶关系与目标聚类语义之间可能存在的潜在不一致。该方法采用风险感知策略筛选超边,借助大语言模型基于原文证据开展局部语义诊断,并以诊断结果作为聚类亲和关系与传播结构协同校正的依据;同时通过无标签代理目标筛选结构修正方案,以缓解跨簇干扰、保留语义一致的子群关系。在5个数据集上,该方法的聚类准确率较各数据集最优基线平均提升约2.8%。

图4 :LATCH方法框架:高风险超边语义诊断与双结构协同校正
论文信息(LNAHC、LATCH):https://longlonglin.github.io/publications/
供稿:王奕涵 张维勇
供图:王奕涵
初审:廖剑伟
复审:王一晖
终审:易一鹏