该研究聚焦图数据挖掘中的社区搜索问题，针对现有学习型算法普遍需要对每个目标图进行重新训练或微调，存在数据依赖强、训练成本高及泛化能力有限等问题，提出了一种面向同构图的跨数据集通用社区搜索方法。该方法仅需在源数据集上训练一次，即可直接迁移至任意未见图执行社区搜索任务，无需重新训练或额外微调。

在方法设计上，研究提出了频谱感知特征对齐模块，用于统一跨图特征维度并对齐社区相关语义；在此基础上，进一步构建图扩散Transformer模型，融合局部与全局结构信息以刻画高阶依赖关系，并通过扩散机制对表示进行细化，从而有效缓解未见图上的分布偏移问题。实验结果表明，该方法在无需目标域监督的条件下展现出良好的跨域泛化能力，在跨数据集实验场景下相较现有方法性能提升7.92%。