معاناةً من تنوع وتعقيد البيانات متعددة الآراء في التصنيف شبه المشرف، تركز معظم الشبكات العصبية التلافيفية الرسومية الحالية على بناء هندسة الشبكة أو الحفاظ على الهيكل الرسومي البارز، وتتجاهل مساهمة الهيكل الرسومي الكامل في التصنيف شبه المشرف. لاستخراج هيكل التوزيع الأكثر اكتمالاً من البيانات متعددة الآراء مع الأخذ بعين الاعتبار الخصوصية والشمولية، نقترح دمج الهياكل المستند إلى الشبكات العصبية التلافيفية الرسومية (SF-GCN) لتحسين أداء التصنيف شبه المشرف. يمكن لـ SF-GCN أن يحتفظ بالخصائص الخاصة لكل مجموعة بيانات عن طريق الانغراس الطيفي، كما يمكنه التقاط الأسلوب المشترك للبيانات متعددة الآراء من خلال قياس المسافة بين هياكل الرسومات المتعددة. بافتراض العلاقة الخطية بين هياكل الرسومات المتعددة، يمكننا بناء دالة الأمثلة للنموذج المدمج للهياكل من خلال موازنة خسارة الخصوصية وخسارة الشمولية. عن طريق حل هذه الدالة، يمكننا الحصول بشكل متزامن على الانغراس الطيفي المدمج من البيانات متعددة الآراء وعلى الهيكل المدمج كمصفوفة مجاورة لإدخالها إلى الشبكات العصبية التلافيفية الرسومية للتصنيف شبه المشرف. تظهر التجارب أن أداء SF-GCN يتفوق على أداء أفضل الأساليب الحالية في ثلاثة مجموعات بيانات صعبة وهي Cora و Citeseer و Pubmed في شبكات الاستشهادات.