شبکه های دنیای واقعی معمولاً از تعداد زیادی مؤلفه متقابل و چند تایپی تشکیل می شوند که معمولاً به عنوان شبکه های اطلاعاتی ناهمگن (HIN) خوانده می شوند. HIN که با صفات مختلف در گره ها مرتبط است به عنوان HIN (یا AHIN) منسوب تعریف می شود. خوشه بندی یک کار اساسی برای HIN و AHIN است. با این حال ، بسیاری از روش های موجود موجود روی گره های نوع یک متمرکز شده اند و کار موجود بسیار محدودی است که اشیاء انواع مختلف را در یک گروه مشابه قرار می دهد. این به دلیل عمده دلایلی است که شباهت های شیء را می توان مبتنی بر صفت یا پیوند بین انواع مشابه گره ها دانست و ترکیب هر دو در یک چارچوب یکپارچه چالش برانگیز است. برای برطرف کردن این شکاف ، در این مقاله ، چارچوبی را پیشنهاد می کنیم ، یعنی خوشه بندی اشیاء Cross Multi-Type در شبکه اطلاعات ناهمگن Attributed یا CMOC-AHIN ، برای ادغام هر دو اطلاعات ویژگی و خوشه بندی گره های چند نوع به صورت اصولی. ما به صورت تجربی عملکردهای برتر CMOC-AHIN را در سه مجموعه داده چالش برانگیز در مقیاس بزرگ نشان می دهیم و همچنین بینش های مربوط به اجراها را در مقایسه با سایر روش های پیشرفته هنر خلاصه می کنیم.