Сингулярное разложение (SVD) является мощнейшим инструментом линейной алгебры, но у него есть один концептуальный недостаток: при аппроксимации данных оно неизбежно порождает матрицы, содержащие отрицательные числа. Для многих физических и информационных систем это лишено всякого смысла. Например, не существует пикселя с отрицательной яркостью, невозможно встретить отрицательное количество слов в документе или отрицательную концентрацию химического вещества. Чтобы решить эту проблему интерпретируемости, в 1999 году Ли и Сын опубликовали в журнале Nature статью, предложив алгоритм факторизации неотрицательных матриц (Non-negative Matrix Factorization, NMF). Этот метод стал фундаментальным алгоритмом машинного обучения для выделения базисных признаков в данных.