Die Clusterverteilung in attributierten Graphen ist herausfordernd, da sie die gemeinsame Modellierung von Graphstrukturen und Knotenattributen erfordert. Kürzliche Fortschritte bei Graph Convolutional Networks (GCNs) haben gezeigt, dass Graphfaltung effektiv ist, um strukturelle und inhaltliche Informationen zu kombinieren. Mehrere neuere Methoden auf dieser Basis haben vielversprechende Clustervisualisierungsleistungen auf einigen realen attributierten Netzwerken erzielt. Allerdings gibt es begrenzte Erkenntnisse darüber, wie Graphfaltung die Clustervisualisierungsleistung beeinflusst und wie man sie richtig einsetzen kann, um die Leistung für verschiedene Graphen zu optimieren. Bestehende Methoden verwenden im Wesentlichen eine feste und niedrige Ordnung der Graphfaltung, die nur Nachbarn innerhalb weniger Schritte jedes Knotens berücksichtigt. Dies unternutzt die Knotenbeziehungen und ignoriert die Vielfalt der Graphen. In diesem Artikel schlagen wir eine adaptive Methode zur Graphfaltung für attributierte Graphclustering vor, die hochwertige Graphfaltungen nutzt, um globale Clusterstrukturen zu erfassen, und adaptive Auswahl der geeigneten Ordnung für verschiedene Graphen ermöglicht. Wir belegen die Gültigkeit unserer Methode durch theoretische Analysen und umfangreiche Experimente mit Benchmark-Datensätzen. Empirische Ergebnisse zeigen, dass unsere Methode sich vorteilhaft mit den neuesten Methoden vergleicht.