社团发现是将网络划分成多个社团的一种任务，具有重要的理论及现实意义。图卷积网络(Graph Convolutional Networks，GCN)是近年来发展起来的一种新的用于社团发现的深度学习技术。MRFasGCN(Markov Random Field as Graph Convolutional Networks)是一个新的用于社团发现的GCN方法。该方法将社团导向的马尔科夫随机场MRF引入GCN模型，进一步提高了社团检测性能。然而，已有GCN模型均为半监督方法，而社团发现本质上是一种无监督学习的问题(这是因为对于大多数社团应用来说是没有训练数据可利用，而且从一个网络获得的信息几乎不能用于另一个网络)。
　　为解决上述问题，本文在自编码器(Autoencoder)框架下以递进的方式提出了两种无监督社团发现的GCN方法。1)本文首先将MRFasGCN模型转化为编码器，用于在编码器的隐藏层中导出结点社团成员。将网络嵌入之内积作为解码器重构网络拓扑，从而构建了一个简单的无监督社团发现模型。为了验证此方法的性能，本文在九个不同规模的真实网络上与六个代表性社团发现方法进行比较。但实验结果显示该方法并未拥有更好的性能。2)针对该问题，本文进一步通过实验分析发现：上述模型所采用的解码器机制不适用于社团发现任务，并且未同时重构网络拓扑和结点属性信息。但已有方法已表明，同时使用拓扑和属性两种信息一般要比单独使用一种更加有效，因此本文将两种信息引入最终的无监督社团发现GCN方法。具体来说，本文使用与初始模型相同的编码器机制，然后引入一个以社团为中心的双解码器，以无监督的方式分别重构网络拓扑和结点属性，以在隐空间中进行更加可靠的社团发现。本文还引入了一个局部强化机制，使具有更多共同邻居和相似属性的结点具有相似的社团成员标识。在一些真实网络上的实验结果表明，本文所提出的新方法明显优于当前一些代表性社团发现方法。我们还进一步展示了，同时生成链接和属性的新解码机制之有效性要明显胜过被普遍采用的单独重构链接的方法。