复杂信息处处存在,大到宇宙体系、生态系统和社会经济组织,小到蛋白质结构和微观粒子群等,都一定程度上拥有组件之间复杂的依赖性、关系或者相互作用。然而,对复杂信息的理解和建模都成为了一件十分困难的事。复杂信息可以抽象为实体以及实体间复杂关系。对于数据结构而言,关系最直观的展现方式是图。但是图的表示能力是有限的,节点之间直观的成对连接的方式,并不足以对现实世界中具有高阶关联的复杂异构信息进行建模。而关于高阶关系建模通常使用异质图或者超图。相比于过于灵活且复杂的异质图,超图作为图结构的一种简单泛化,是更为合理的折中建模策略。使用超图来建模复杂信息时,超边可以有效、具有区分性地建模各种不同的关系或相互作用,使信息无损保留。目前针对关系数据的聚类任务,基本还停留在对于图聚类的研究。学术界最新方案是采用基于深度学习的图自动编码器结构与特征聚类结合的两步走策略。但是,若在超图结构上采用该方案,需要将超图转化为普通图,使具有语义的超边拆分为大量不区分语义的普通边,这显然会导致高阶信息的折损。故需要针对超图结构在保留高阶信息的前提下,设计直接且有效的聚类方案,以避免向普通图的转换,从而实现普通图精度瓶颈的突破。通过不断的探讨、设计与实验对比,具体聚类方案如下:首先,将高阶信息结合实际语义,抽象成具有强可解释性的节点与超边,从而组成超图结构,其信息由节点特征和表示关联信息的关联矩阵两部分组成。进而,采用超图拉普拉斯算子进行自适应多阶滤波计算,充分且恰当地将关联信息与节点特征进行融合。其次,将融合后的特征通过超图自动编码器,通过端到端无监督学习,形成更为稠密的低维特征矩阵。最后,针对该特征矩阵使用成熟的特征聚类算法打标即可。通过在不同的关系数据集上进行实验,与最新的一些关系聚类模型做横向对比,此建模方法和聚类方案的有效性得到了显著的体现,并且展现出了不错的兼容性。