La estructura de la comunidad es una característica significativa de las redes complejas, y la detección de comunidades tiene aplicaciones valiosas en el análisis de la estructura de la red. La factorización de matrices no negativas (NMF) es un conjunto clave de algoritmos utilizados para resolver el problema de detección de comunidades. Sin embargo, la localización de los vectores de características en la matriz de adyacencia, que representa las características de las estructuras de redes complejas, conduce frecuentemente al fracaso de enfoques basados en NMF cuando la matriz de datos tiene una baja densidad. Este artículo presenta un algoritmo novedoso para detectar comunidades de red dispersas utilizando la factorización de matrices no negativas (NMF). El algoritmo utiliza vectores de características locales para representar las características topológicas originales de la red y aprende matrices de regularización. Las matrices de características resultantes revelan efectivamente la estructura global de la matriz de datos, demostrando capacidades mejoradas de expresión de características. La matriz de datos regularizada resuelve el problema de los vectores de características localizados causados por la dispersión o el ruido, en contraste con la matriz de adyacencia. El enfoque tiene una precisión superior en la detección de estructuras de comunidades en comparación con los algoritmos estándar de detección de comunidades basados en NMF, como lo demuestran los hallazgos experimentales en redes simuladas y del mundo real.