非负矩阵分解为特征抽取提供了一种崭新的方法。由于对分解结果加入非负限制,基于非负矩阵分解抽取的特征向量更能反映样本的局部特征,因而更接近人们的认知习惯,并具有很高的的可解释性和预测性。本文将非负矩阵分解运用于样本的特征抽取,研究其在信息获取领域中的应用,设计相应的处理算法,提高处理效果。本文首先全面介绍现有的非负矩阵分解基本思想、基本算法及其各种变体的原理及相互关系。然后从理论上将非负矩阵分解算法与包括聚类、奇异值分解以及概率算法在内的常用特征抽取方法进行比较,通过比较总结出基于非负矩阵分解所抽取的特征向量具有局部性和可解释性等特点。在理论分析基础上,再将非负矩阵分解应用于信息获取领域,研究基于非负矩阵分解的特征抽取方法在文本分类和日志挖掘中的应用。在文本分类领域,本文提出了基于非负矩阵分解分别抽取各类样本文档的语义,进而合成局部语义空间的方法。由于局部语义空间中的语义向量有很强的可区分度,将文档向量投影到局部语义空间后进行分类,可以有效的提高文本分类精度。在日志挖掘领域,本文设计了基于局部非负矩阵分解进行日志聚类,提取典型用户会话模板的算法。局部非负矩阵分解作为降维方式很好地解决了聚类算法中遇到的高维稀疏问题。同时由于局部非负矩阵分解具有基向量正交的特点,减少了冗余,从而进一步提高了日志聚类结果的质量。