Dans cet article nous traitons le problème de la prédiction de liens temporels: l'apparition des nouveaux liens dans des graphes de données dynamiques. Cette tâche apparaît dans les applications telles que la recommandation ou l'analyse des citation ou des réseaux sociaux. La plupart des approches de prédiction de liens temporels se basent uniquement sur la structure topologique globale du réseau. Nous proposons ici un modèle qui exploite simultanément différentes sources d'information dans le réseau afin de prédire les probabilités d'occurrence de liens futurs. Le modèle intègre trois types d'informations: la structure topologique du réseau, le contenu des noeuds dans le réseau et l'information de proximité locale des noeuds. Ce modèle est basé sur une formalisation à base de factorisation en matrices non négatives et de régularisation dans les graphes. Nous proposons une méthode d'optimisation alternée efficace pour l'apprentissage. Nous expérimentons enfin cette méthode sur plusieurs ensembles de données du monde réel et montrons que notre modèle surpasse les méthodes de l'état de l'art.