通常,在许多实际的数据挖掘应用程序中,例如网络分类,关键基因选择等,未标记的训练示例很容易获得,但是标记的训练示例获得起来相当昂贵。 因此,近年来,诸如基于图的方法之类的半监督学习算法引起了很多关注。 但是,大多数这些传统方法都采用高斯函数来计算图形的边缘权重。 本文提出了一种新的基于半监督图的权重方法。 新方法将来自问题的标签信息添加到目标函数中,并在进行计算时采用测地距离而不是欧几里得距离作为两个数据点之间差异的度量。 此外,我们还将来自问题的班级先验知识添加到半监督学习算法中。 在这里,我们解决了本地和全局一致性(LGC)的学习问题。 发现在高标签率和低标签率下,班级先验知识的影响可能有所不同。 此外,我们在LGC算法中集成了稀疏表示(SR)。 在UCI数据集上进行的实验表明,我们提出的方法优于原始算法。