Die Gemeinschaftsstruktur ist in realen komplexen Netzwerken allgegenwärtig. Die Aufgabe der Gemeinschaftserkennung in solchen Netzwerken ist in einer Vielzahl von Anwendungen von entscheidender Bedeutung. In jüngster Zeit wird die nichtnegative Matrixfaktorisierung (NMF) aufgrund ihrer hohen Interpretierbarkeit und ihrer natürlichen Eignung zur Erfassung der Gemeinschaftszugehörigkeit von Knoten zunehmend für die Gemeinschaftserkennung eingesetzt. Allerdings sind die bisherigen NMF-basierten Ansätze für die Gemeinschaftserkennung eher flache Methoden. Sie erlernen die Gemeinschaftszuweisung, indem sie das ursprüngliche Netzwerk direkt in den Raum der Gemeinschaftszugehörigkeit abbilden. Angesichts der komplexen und vielfältigen Topologiestrukturen realer Netzwerke ist es sehr wahrscheinlich, dass die Abbildung zwischen dem ursprünglichen Netzwerk und dem Raum der Gemeinschaftszugehörigkeit hochgradig hierarchische Informationen enthält, die von klassischen flachen NMF-basierten Ansätzen nicht angemessen erfasst werden können. Inspiriert durch die einzigartige Fähigkeit tiefer Autoencoder zur Merkmalsdarstellungslernung, schlagen wir ein neuartiges Modell vor, namens Deep Autoencoder-artige NMF (DANMF), für die Gemeinschaftserkennung. Ähnlich wie tiefe Autoencoder besteht DANMF aus einem Encoder- und einem Decoder-Teil. Diese Architektur ermöglicht es DANMF, hierarchische Abbildungen zwischen dem ursprünglichen Netzwerk und der endgültigen Gemeinschaftszuweisung zu lernen, wobei in den Zwischenschichten implizit niedrig- bis hochstufige versteckte Attribute des ursprünglichen Netzwerks erlernt werden. Dadurch ist DANMF besser auf die Aufgabe der Gemeinschaftserkennung abgestimmt. Umfangreiche Experimente auf Benchmark-Datensätzen zeigen, dass DANMF eine bessere Leistung erzielt als die derzeit fortschrittlichsten NMF-basierten Ansätze für die Gemeinschaftserkennung.