خوشه‌بندی گراف یک روش اساسی در یادگیری ماشین است و کاربردهای گسترده‌ای در حوزه‌های مختلف دارد. اخیراً تجزیه ماتریس نامنفی عمیق برای مقابله با استخراج چندین لایه از ویژگی‌ها معرفی‌شده است و نشان‌داده‌شده است که در کارهای بدون نظارت مانند خوشه‌بندی گراف عملکرد قابل‌توجهی دارد. درحالی‌که تجزیه ماتریس نامنفی عمیق با موفقیت برای خوشه‌بندی گراف‌های بدون‌جهت استفاده‌شده است، عملکرد روش‌های موجود برای گراف‌های جهت‌دار به‌طورکلی رضایت‌بخش نیست: این روش‌ها ذاتاً مدل‌های بازنمایی گره هستند و توابع هدف آن‌ها مختص خوشه‌بندی گراف نمی‌باشد، از‌این‌رو ساختار خوشه‌ها که شامل اطلاعات بسیار مهم جهت یال‌ها است را استخراج نمی‌‌کنند. برای غلبه بر این کاستی، این پایان‌نامه یک مدل تجزیه ماتریس نامنفی عمیق مختص گراف را بر اساس تجزیه ماتریس نامنفی نامتقارن پیشنهاد می‌‌‌کند که می‌‌‌تواند ساختار گراف‌های جهت‌دار و بدون‌جهت را بیاموزد. با الهام از خوشه‌بندی گراف سلسله‌مراتبی و روش‌های خلاصه‌سازی گراف، تجزیه ماتریس نامتقارن عمیق برای مسئله خوشه‌بندی گراف جهت‌دار معرفی‌شده است. در یک خوشه‌بندی شبه سلسله‌مراتبی، روش پیشنهادی گراف ورودی را تجزیه می‌‌‌کند تا بازنمایی گره‌ها از سطح پایین به سطح بالا و بازنمایی گراف (گراف‌های خلاصه شده) را استخراج کند. علاوه بر این، شباهت کسینوس نامتقارن و شباهت مبتنی بر رتبه صفحه بر مدل پیشنهادی برای حفظ ساختارهای محلی و سراسری اعمال می‌‌‌شوند. فرایند یادگیری به‌عنوان یک مسئله بهینه‌سازی یکپارچه برای آموزش مدل یادگیری بازنمایی و مدل خوشه‌بندی فرموله شده است. مطالعات تجربی گسترده بر روی گراف‌های جهت‌دار و بر اساس سه معیار ارزیابی، اثربخشی روش پیشنهادی در مقایسه با روش‌های شناخته‌شده و به‌روز سطحی و عمیق تأیید می‌‌‌کند.
