Presentamos un método general para incluir el conocimiento previo en una factorización matricial no negativa (NMF), basado en los priores del proceso gaussiano. Asumimos que los factores no negativos en la NMF están vinculados por una función estrictamente creciente a un proceso gaussiano subyacente especificado por su función de covarianza. Esto nos permite encontrar descomposiciones del NMF que concuerdan con nuestro conocimiento previo de la distribución de los factores, como la escasez, la suavidad y las simetrías. El método se demuestra con un ejemplo de imágenes cerebrales de desplazamiento químico.