La detección de comunidades sigue siendo un tema de investigación desafiante en el análisis de redes. Con la complejidad de las estructuras de datos de red en aumento, las redes de múltiples capas, en las que las entidades interactúan a través de múltiples tipos de conexiones, resultan efectivas para describir redes complejas. Las capas en una red de múltiples capas pueden no compartir una estructura común de comunidad. En este artículo, proponemos un método conjunto basado en la factorización de matrices y el embebido espectral para recuperar los grupos no solo para las capas sino también para los nodos. Específicamente, las capas se agrupan a través del método de factorización de matrices con regularización basada en la similitud de capas en la perspectiva de un modelo de bloques estocásticos de múltiples capas, y luego las comunidades de nodos dentro de un grupo de capas se revelan mediante la agrupación de una combinación del embebido espectral derivado de las matrices de adyacencia y la matriz de aproximación compartida. Los estudios numéricos muestran que el método propuesto logra resultados de agrupamiento competitivos a medida que varía el número de nodos y/o el número de capas, junto con diferentes topologías de capas de red. Además, aplicamos el método propuesto en dos redes de múltiples capas del mundo real y obtenemos hallazgos interesantes que nuevamente destacan la efectividad de nuestro método.