في عالم تحليل البيانات العميق، تُعد تقنيات تجميع الرسوم البيانية (Graph Clustering) من الأساسيات لاستخراج الأنماط الدلالية الكامنة في الشبكات الكبيرة. وفي السنوات الأخيرة، أثبتت تقنيات التعلم بالتباين (Contrastive Learning) فاعليتها، ولكنها تواجه تحديات كبيرة مثل مشكلة "العزلة الهيكلية" (Structural Isolation) خلال عملية التدريب بالدفعات الصغيرة.

لحل هذه المشكلات، يقدّم الباحثون إطار SCISE، الذي يهدف إلى تعزيز تكامل البنية الهيكلية من خلال الجمع بين أخذ العينات المعتمدة على المجتمع (Community-aware Sampling) مع انتروبيا التركيب (Structural Entropy) المقيدة. يبدأ الإطار باستخدام مشغل قيد المجتمع القائم على انتروبيا التركيب (SECC)، الذي يحسن المعلومات الهيكلية ضمن فضاء حلول مقيد، مما يقلل من تجزئة المجتمع ويعزز تماسك الأقسام.

كما يشتمل SCISE على آلية توسيع أخذ العينات المعتمد على المجتمع (CSampE)، التي تدخل السياق المجتمعي للعقد المستهدفة في الدفعات، مما يساهم في كسر الحواجز الهيكلية والحفاظ على التكامل الطوبولوجي.

علاوة على ذلك، يقدم الإطار وحدة التعلم بالتباين الهيكلي (StructCL)، التي تقوم بتنقيح أوزان الحواف استنادًا إلى التشابه الهيكلي داخل الدفعة، مما يساعد على توجيه النظام للقيام بتعلم التمثيلات في فضاء هيكلي من الدرجة الأعلى.

تظهر التجارب الواسعة على ست مجموعات بيانات مرجعية رئيسية أن SCISE يتجاوز أداء التقنيات الحالية المتقدمة، مما يعكس فعاليته وموثوقيته في معالجة الرسوم البيانية الكبيرة في العالم الحقيقي.