Nous proposons plusieurs nouveaux modèles pour la factorisation matricielle non négative semi-supervisée (SSNMF) et justifions ces modèles comme des estimateurs du maximum de vraisemblance sous des distributions spécifiques d’incertitude. Nous présentons des méthodes d’entraînement basées sur des mises à jour multiplicatives pour chacun de ces nouveaux modèles, et démontrons leur application à la classification, bien qu’ils soient également adaptés à d’autres tâches d’apprentissage supervisé. Nous illustrons le potentiel de ces modèles et de leurs méthodes d’entraînement sur des données synthétiques et réelles, obtenant une précision élevée en classification sur le jeu de données 20 Newsgroups.