• community discovery
• grafi multidimensionali
• graph mining
• graph theory

La scoperta di comunità all'interno delle reti - come Social Networks, trasporti o reti biologiche - è un potente strumento di analisi che permette di individuare gruppi di attori densamente connessi. Alcune reti, tuttavia, possono esprimere relazioni più complesse tra gli attori coinvolti: le reti multidimensionali. L'individuazione di comunità in reti multidimensionali è un task non ancora sviluppato nella comunità scientifica.
In questa tesi introdurremo quindi una teoria solida alla base di questo tipo di reti che useremo per progettare una nuova misura eta del grado di multidimensionalità tra due attori. Introdurremo un nuovo algoritmo, chiamato MDCD, per individuare comunità multidimensionali che vedremo cercherà di integrarsi il più possibile con quanto già presente in letteratura. Presenteremo due nuove misure, Complementarity e Redundancy, per valutare alcuni aspetti della multidimensionalità delle comunità identificate.
Concluderemo con una serie di esperimenti per valutare l'efficacia di eta e di MDCD, utilizzando la Modularity come metro di giudizio. Studieremo il comportamento di Complementarity e Redundancy su alcune comunità estratte dagli esperimenti, osserveremo come queste variano al variare della topologia della rete e proporremo alcune idee per il loro utilizzo.