图是节点和边的集合。对图的研究是在探究聚类算法过程中人们逐渐感兴趣的一个话题,图聚类可以对网络进行划分归类,通过获知节点的特征以及参考图网络的结构来把数据划分到不同簇中。由于现实世界存在海量的多源异构数据,传统的用数值或者向量表示的图节点和图结构已经逐渐不能满足对复杂数据的描述,所以引入张量这一概念来更充分地表示样本节点,同时也从多个角度利用图结构更全面地探索节点间关系。当多个参与者想协同进行图聚类时,就要考虑效率和隐私保护的问题。目前有关分布式的图处理任务主要都是致力于对图进行稀疏处理以提高效率,而对于隐私问题,只有单个图任务的节点匿名化隐私保护技术,还没有合适的多方合作隐私保护方案。使用联邦学习的框架来完成多方合作图聚类的任务,满足了对隐私数据进行挖掘分析的需求。张量和联邦学习这两个概念被使用,来优化图聚类算法,以得到一个多用户的安全张量图聚类模型。首先,将深度注意力嵌入图聚类扩展到高维张量空间,使用邻接张量表示同一组节点间在不同关系上的联系,而节点张量可以描述复杂样本在不同关系上的不同特征,这样就给现实世界的聚类任务提供了更充分更可解释的聚类结果。然后模拟多个客户端,加入联邦学习框架,令多个同分布的图聚类任务在学习过程中交换训练梯度,以获得效果更好,更具有普适性的通用图聚类模型。最后通过将基于张量的联邦图聚类算法和其他只使用单一特征值或特征矩阵的图聚类算法、传统聚类算法以及单方计算的聚类算法进行对比,实验结果表明该算法有更好的性能和效率,可以进行提供隐私保护的多方安全图聚类计算。