تصنيف الصور شبه المُشرَّف يُعد أحد المشكلات الأساسية في رؤية الحاسوب، حيث يقلل بشكل كبير من الحاجة إلى العمل البشري. في هذا البحث، نقدّم خوارزمية جديدة للتعلم شبه المُشرَّف تُسمى SimMatchV2، والتي تُصيغ تناسقًا مختلفًا بين البيانات المُعلَّمة وغير المُعلَّمة من منظور الرسم البياني (Graph). في SimMatchV2، نُعامل الرؤية المُعادّلة لعينة ما كعُقدة (Node)، تتكون من التسمية المرتبطة بها والمُمثّل (Representation) المقابل لها. تُربط العقد المختلفة بحواف (Edges)، حيث تُقاس هذه الحواف وفقًا لدرجة تشابه ممثّلات العقد. مستوحاة من مفاهيم تبادل الرسائل والتصنيف العُقدِي في نظرية الرسوم البيانية، نقترح أربع أنواع من التناسق: 1) التناسق العُقدِي-العُقدِي، 2) التناسق العُقدِي-الحافة، 3) التناسق الحافة-الحافة، و4) التناسق الحافة-العُقدِي. كما كشفنا أن تطبيع السمة البسيط يمكنه تقليل الفجوات في طول ممثّلات السمات بين الرؤى المختلفة المُعادّلة، مما يُحسّن بشكل ملحوظ أداء SimMatchV2. وقد تم التحقق من فعالية SimMatchV2 على عدة معايير معيارية للتعلم شبه المُشرَّف. وباستخدام مُعمّق ResNet-50 كهيكل أساسي (Backbone) وتدريب مدته 300 دورة، حقّق SimMatchV2 دقة أعلى في التصنيف (Top-1 Accuracy) تبلغ 71.9% و76.2% باستخدام 1% و10% من العينات المُعلَّمة على مجموعة بيانات ImageNet، متفوّقًا بشكل ملحوظ على الطرق السابقة ومستحقًا أفضل أداء مُسجّل حتى الآن. يمكن الوصول إلى الكود والنماذج المُدرّبة مسبقًا من خلال الرابط التالي: \href{https://github.com/mingkai-zheng/SimMatchV2}{https://github.com/mingkai-zheng/SimMatchV2}.