Como sistemas dinámicos, las redes sociales muestran cambios topológicos continuos con el tiempo y típicamente se modelan como redes temporales. Para comprender sus características dinámicas, es esencial investigar la detección de comunidades temporales (TCD), lo que plantea desafíos significativos en comparación con el análisis de redes estáticas. Estos desafíos surgen de la necesidad de detectar estructuras de comunidades y rastrear sus comportamientos evolutivos simultáneamente. Para abordar estos problemas, proponemos TCDA-NE, un nuevo algoritmo de TCD que combina agrupamiento evolutivo con factorización de matrices no negativas convexas (Convex-NMF). Nuestro método integra de manera innovadora la estructura de la comunidad en la incrustación de redes, preservando tanto los detalles microscópicos como la información a nivel de comunidad en las representaciones de nodos mientras captura de manera efectiva la dinámica evolutiva de las redes. Una característica distintiva de TCDA-NE es su utilización de una matriz de similitud de vecinos comunes, que mejora significativamente la capacidad del algoritmo para identificar estructuras de comunidades significativas en redes temporales. Al establecer relaciones coherentes entre las representaciones de nodos y las estructuras de comunidades, optimizamos tanto el modelo de aprendizaje de representación basado en Convex-NMF como el modelo de TCD basado en agrupamiento evolutivo dentro de un marco unificado. Derivamos las reglas de actualización y proporcionamos pruebas teóricas rigurosas de la validez y convergencia del algoritmo. Experimentos extensos en redes sociales sintéticas y del mundo real, incluidas redes de correos electrónicos y llamadas telefónicas, demuestran el rendimiento superior de nuestro modelo en la detección de comunidades y el seguimiento de la evolución de redes temporales. Notablemente, TCDA-NE logra una mejora máxima de hasta 0.1 en el índice de información mutua normalizada (NMI) en comparación con los métodos de vanguardia, destacando su efectividad en la detección de comunidades temporales.