自Paatero & Tapper(1994)和Lee & Seung(1999)的开创性著作引入非负矩阵分解(NMF)以来,已经过去了二十多年。此后,NMF在音频源分离、高光谱解混、用户推荐、文本信息检索、生物识别、网络分析等多个领域产生了重大影响。虽然更复杂的体系结构,比如神经网络,在一些有监督的情况下可以胜过因子分解模型,但是NMF是基于一种生成和可解释的模型,在许多情况下,这仍然是一种流行的选择,特别是对于不需要或只需要很少的训练数据的任务(例如:在无监督设置)。本教程旨在回顾过去十年在NMF方面的一些最重要的进展,重点关注NMF优化方面的最新进展(包括最先进的算法,如最大化-最小化,收敛特性,大规模实现,稀疏和时间正则化),NMF的模型选择(包括选择合适的拟合测度、秩估计)和最近的NMF扩展(包括存在异常值时的稳健NMF、可分离的NMF、正半定矩阵分解、基于NMF的排序模型)。本教程将针对没有NMF经验的初学者和在其更高级的材料中更有知识的从业者。