Les graphes sont considérés comme l’outil mathématique de prédilection pour la modélisation d'une relation entre des paires d’entités. Ils peuvent être utilisés pour modéliser une relation de connaissance entre des personnes, ou encore une relation de similarité entre des mots. Parmi ces relations, celle de l’appartenance commune d’un ensemble d’entités à un ensemble de groupes permet de définir un multigraphe de co-appartenance. Dans ce multigraphe, les entités correspondent aux nœuds, les relations aux liens et les groupes aux couches. Par ailleurs, la relation d’appartenance commune étant transitive, les nœuds d’une même couche forment une clique. Et dans plusieurs cas, des descriptions textuelles sont associées aux groupes et sont représentées par des attributs associés aux couches dans le multigraphe de co-appartenance. L’objectif de cette thèse est de développer des outils de détection de communautés de noeuds homogènes dans les multigraphes de co-appartenance en utilisant les informations structurelle et sémantique qui y sont contenues. La relation d’appartenance commune à des groupes, que nous étudions, se retrouve dans plusieurs situations réelles comme, par exemple, la participation d’un ensemble de chercheurs à des conférences ou la rédaction commune par des auteurs d’un ensemble d’articles. Dans les réseaux sociaux, cette relation est encore plus courante et nous la retrouvons, entre autres, dans le réseau social Twitter avec l’appartenance commune des utilisateurs aux listes.
Dans ce travail, nous définissons formellement les multigraphes de co-appartenance et soulignons les propriétés qui les distinguent des multigraphes classiques. Nous présentons deux algorithmes pour y délimiter des sous-graphes qui correspondent à des domaines d’intérêt pour l’analyste utilisateur de l’outil de détection de communautés. Nous expliquons, aussi, comment adapter certaines méthodes de fouille de données pour l’extraction de motifs symboliques et numériques à la détection de communautés dans les multigraphes de co- appartenance. Les résultats obtenus sont comparés à ceux des méthodes de l’état de l’art en utilisant des exemples de multigraphes de co-appartenance issus du réseau social Twitter et de la plateforme collaborative Wikipedia.