نقدم إطارًا للتعلم شبه المشرف يعتمد على تمثيلات الرسم البياني (graph embeddings). بالنظر إلى رسم بياني بين الحالات، نقوم بتدريب تمثيل لكل حالة لتنبؤها المشترك بالتصنيف والسياق المجاور في الرسم البياني. قمنا بتطوير كلاً من النسخ التحويلية (transductive) والنسخ الاستدلالية (inductive) من طريقتنا. في النسخة التحويلية من طريقتنا، يتم تحديد تصنيفات الحالات بواسطة كلٍ من التمثيلات المُتعلمة ومتجهات الخصائص الإدخالية، بينما في النسخة الاستدلالية، يتم تعريف التمثيلات كدالة معلمة لمتجهات الخصائص، مما يتيح إجراء تنبؤات على حالات لم تظهر أثناء التدريب. على مجموعة كبيرة ومتنوعة من المهام القياسية، بما في ذلك تصنيف النصوص، واستخراج الكيانات تحت الإشراف البعيد (distantly supervised entity extraction)، وتصنيف الكيانات، أظهرنا تحسين الأداء مقارنة بالعديد من النماذج الموجودة حاليًا.