خوشه‌بندی گراف خصیصه‌دار یک مسئله ضروری و چالش برانگیز در تجزیه‌و‌تحلیل داده‌های ساختار‌یافته شبکه است. این شامل دستیابی به بازنمایی گره‌ها با استفاده همزمان از ویژگی گره و ساختار توپولوژیکی گراف، با هدف انجام خوشه‌بندی مؤثر است. به‌طور معمول، بازنمایی آموخته‌شده در این مسئله اغلب حاوی اطلاعات اضافی است و تفاوت بین داده‌های توپولوژیکی و غیر‌توپولوژیکی را درنظر نمی‌گیرد. برای پوشش این مشکل، این پایان‌نامه تجزیه ماتریس سه‌عامله نامنفی مشترک متنوع (Div-JNMTF) را پیشنهاد می‌کند، که یک مدل مبتنی‌بر تعبیه برای شناسایی انجمن‌ها در گراف‌های خصیصه‌دار است. مدل جدید JNMTF تلاش می‌کند تا بازنمایی گره‌های مختلف را از داده‌های توپولوژیکی و غیر‌توپولوژیکی استخراج کند. درعین حال، یک منظم‌ساز تنوع با معیار استقلال هیلبرت اشمیت (HSIC)، با هدف کاهش اطلاعات اضافی در بازنمایی گره و ترویج مشارکت‌های متمایز هر‌دو نوع اطلاعات اعمال می‌شود. علاوه‌بر‌این، دو عبارت منظم‌ساز گراف برای حفظ ساختارهای محلی در فضاهای بازنمایی توپولوژیکی و ویژگی‌ها معرفی می‌شوند. این مسئله با توسعه یک رویکرد بهینه‌سازی مبتنی‌بر تکرار در روش پیشنهادی مطرح می‌شود. ارزیابی روش پیشنهادی برروی سه معیار ارزیابی و هشت مجموعه‌داده گراف خصیصه‌دار انجام شده است و نتایج نشان‌دهنده این است که مدل Div-JNMTF در تشخیص انجمن‌ها خصیصه‌دار مؤثر، و عملکرد آن از روش‌های مقایسه شده بهتر است.
