في الآونة الأخيرة، تم اعتماد التحليل المصفوفي غير السالب (NMF) على نطاق واسع للكشف عن المجتمعات، نظرًا لقدرته الأفضل على التفسير. ومع ذلك، تواجه الطرق القائمة على NMF ثلاث مشكلات رئيسية: أولاً، فإنها تقوم بتحويل الشبكة الأصلية مباشرة إلى فضاء الانتماء للمجتمعات، مما يجعل من الصعب عليها التقاط المعلومات الهرمية؛ ثانيًا، غالبًا ما تهتم فقط ببنية الشبكة (الهيكل الهيكلي) وتجاهل خصائص العقد؛ ثالثًا، يصعب عليها التعلم للمعلومات الهيكلية الشاملة الضرورية للكشف عن المجتمعات. ولذلك، نقترح خوارزمية جديدة للكشف عن المجتمعات تُسمى التحليل المصفوفي غير السالب العميق المقابل (CDNMF). أولاً، نعمق نموذج NMF لتعزيز قدرته على استخراج المعلومات. ثم، مستوحين من التعلم المقابل (contrastive learning)، نُنشئ بشكل مبتكر نموذجين متقابلين: بنية الشبكة وخصائص العقد. علاوة على ذلك، نستخدم طبقة عينة سلبية خالية من التحيز (debiased negative sampling layer)، ونُعلّم تشابه العقد على مستوى المجتمع، مما يعزز ملاءمة نموذجنا للكشف عن المجتمعات. أجرينا تجارب على ثلاث مجموعات بيانات رسمية حقيقية للرسوم البيانية، وأظهر النموذج المقترح أداءً أفضل من الطرق المتطورة حاليًا. يمكن الوصول إلى الكود من خلال الرابط التالي: https://github.com/6lyc/CDNMF.git.