Récemment, la factorisation de matrices non négatives (NMF) a été largement adoptée pour la détection de communautés en raison de son meilleur pouvoir d’interprétation. Toutefois, les méthodes basées sur la NMF existantes présentent les trois problèmes suivants : 1) elles transforment directement le réseau original en espace d’appartenance aux communautés, ce qui rend difficile la capture d’informations hiérarchiques ; 2) elles se concentrent souvent uniquement sur la topologie du réseau tout en ignorant les attributs des nœuds ; 3) elles peinent à apprendre les informations structurelles globales essentielles à la détection de communautés. Ainsi, nous proposons une nouvelle méthode de détection de communautés, nommée Factorisation Non Négative Profonde Contrastive (CDNMF). Tout d’abord, nous approfondissons la NMF afin de renforcer sa capacité d’extraction d’informations. Ensuite, inspirés par l’apprentissage par contraste, notre algorithme construit de manière originale la topologie du réseau et les attributs des nœuds comme deux vues contrastées. En outre, nous utilisons une couche d’échantillonnage négatif débiaisé et apprenons la similarité des nœuds au niveau de la communauté, améliorant ainsi l’adéquation de notre modèle à la détection de communautés. Nous avons mené des expérimentations sur trois jeux de données réelles publiques et le modèle proposé obtient des résultats supérieurs aux méthodes de pointe. Le code est disponible à l’adresse suivante : https://github.com/6lyc/CDNMF.git.