Kürzlich wurde die nichtnegative Matrixfaktorisierung (Nonnegative Matrix Factorization, NMF) aufgrund ihrer besseren Interpretierbarkeit weithin für die Gemeinschaftserkennung eingesetzt. Allerdings weisen die bestehenden NMF-basierten Methoden drei Hauptprobleme auf: Erstens werden die ursprünglichen Netzwerke direkt in den Raum der Gemeinschaftszugehörigkeit transformiert, wodurch die Erfassung hierarchischer Informationen erschwert ist. Zweitens achten sie oft ausschließlich auf die Topologie des Netzwerks und ignorieren dabei die Knoteneigenschaften. Drittens ist es schwierig, globale Strukturinformationen zu lernen, die für die Gemeinschaftserkennung unerlässlich sind. Um diese Probleme zu lösen, schlagen wir einen neuen Algorithmus zur Gemeinschaftserkennung vor, der als Contrastive Deep Nonnegative Matrix Factorization (CDNMF) bezeichnet wird. Zunächst erweitern wir die NMF, um ihre Fähigkeit zur Informationsextraktion zu verstärken. Anschließend lassen wir uns von der kontrastiven Lernmethode inspirieren und konstruieren kreativ die Netzwerktopologie und die Knoteneigenschaften als zwei kontrastierende Perspektiven. Darüber hinaus nutzen wir eine verfälschungsfreie negative Sampling-Schicht und lernen die Knotenähnlichkeit auf Gemeinschaftsebene, wodurch die Eignung unseres Modells für die Gemeinschaftserkennung verbessert wird. Wir führen Experimente auf drei öffentlichen realen Graph-Datensätzen durch, und das vorgeschlagene Modell erreicht dabei bessere Ergebnisse als aktuelle State-of-the-Art-Methoden. Der Quellcode ist unter https://github.com/6lyc/CDNMF.git verfügbar.