نعتبر مجموعة من المشكلات التي تتعلق بعملية التنبؤ بأغلبية العينات غير المصنفة ذات البنية الرسمية (الجرافية) بناءً على نسبة صغيرة من العينات المصنفة. لقد أظهرت المعلومات العلائقية بين العينات، والتي غالباً ما يتم ترميزها في هيكل الرسم (الشبكة)، أنها مفيدة لهذه المهام التعليمية شبه المشرف عليها. ومع ذلك، فإن طرق التنظيم التقليدية القائمة على الرسوم البيانية والشبكات العصبية الجرافية الحديثة لا تستفيد بشكل كامل من العلاقات بين الخصائص والرسم والتصنيفات. في هذا العمل، نقترح إطارًا مولدًا مرناً للتعلم شبه المشرف عليه القائم على الرسوم البيانية، والذي يتناول التوزيع المشترك لخصائص العقد، التصنيفات، وهيكل الرسم. مستوحين الأفكار من نماذج الرسوم العشوائية في أدبيات علوم الشبكات، يمكن تجسيد هذا التوزيع المشترك باستخدام العديد من عائلات التوزيع. بالنسبة لاستدلال التصنيفات الناقصة، نستفيد من الإنجازات الحديثة في تقنيات الاستدلال المتغير القابل للتوسع لتقريب اللاحقة البيزية (Bayesian posterior). نقوم بإجراء تجارب شاملة على مجموعات بيانات معيارية للتعلم شبه المشرف عليه القائم على الرسوم البيانية. تظهر النتائج أن الأساليب المقترحة تتفوق على النماذج الأكثر حداثة في معظم الإعدادات.