我对NMF的理解是一个反反复复的过程，时懂时不懂，因此在这里简单记录下我目前清醒的认知。
NMF的基本思想可以简单描述为：对于任意给定的一个非负矩阵A，NMF算法能够寻找到一个非负矩阵U和一个非负矩阵V，使得满足 ，从而将一个非负的矩阵分解为左右两个非负矩阵的乘积。
分解前后可理解为：原始矩阵 的列向量是对左矩阵
中所有列向量的加权和，而权重系数就是右矩阵对应列向量的元素，故称 为基矩阵， 为系数矩阵。一般情况下 （ 矩阵的列数）的选择要比 小，满足 ，这时用系数矩阵代替原始矩阵，就可以实现对原始矩阵进行降维，得到数据特征的降维矩阵，从而减少存储空间，减少计算机资源。
原矩阵V中的一列向量可以解释为对左矩阵W中所有列向量(称为基向量)的加权和，而权重系数为右矩阵H中对应列向量中的元素。这种基于基向量组合的表示形式具有很直观的语义解释，它反映了人类思维中“局部构成整体”的概念。
比如原矩阵V第2行第4列的红色三角形是由矩阵W的第2行与矩阵H的第4列相乘的结果！
这也就不难理解维基百科中的介绍：
虽然NMF是一个很厉害的算法，但其实质是加权和，我们可以在原理上等效为基本的线性方程：
y 构成了原矩阵中的元素， a 系列值是权重， x 系列变量是特征。矩阵乘法中特征用列向量表示，权重系数用行向量表示，所以成了图中所看到的样子。