非否定的矩阵因式分解(NMF ) 是一种有用技术由与非否定的限制把原来的数据矩阵分解成一个基础集合和系数学习一个基于部分的代表。作为一个无指导的方法，然而，原来的 NMF 不能利用歧视的班信息。在这份报纸，我们建议一个监督半的班驱动的 NMF 方法由介绍不同类的表示费用限制把一个班标签与每基础向量联系。这限制强迫有学问的基础向量为他们的自己的班更好代表但是为其它更坏。因此，在一样的类上的数据样品将有类似的代表，并且因而，在新代表的可分别能被增加。在几个标准数据库上执行的一些实验与最先进的途径比较验证我们的方法的有效性。