Wir schlagen mehrere neue Modelle für semi-supervised nonnegative Matrixfaktorisierung (SSNMF) vor und geben eine Begründung dafür, dass SSNMF-Modelle als Maximum-Likelihood-Schätzer unter bestimmten Unsicherheitsverteilungen interpretiert werden können. Für jedes neue Modell präsentieren wir Trainingsmethoden basierend auf multiplikativen Update-Regeln und demonstrieren die Anwendung dieser Modelle auf Klassifikationsaufgaben, wobei sie sich jedoch auch flexibel für andere überwachte Lernaufgaben einsetzen lassen. Wir verdeutlichen das Potenzial dieser Modelle und Trainingsmethoden anhand sowohl synthetischer als auch realer Daten und erreichen eine hohe Klassifikationsgenauigkeit auf dem 20 Newsgroups-Datensatz.