Aufgrund der Vielfalt und Komplexität von Multiview-Daten für die semisupervisierte Klassifikation konzentrieren sich die meisten existierenden Graphenkonvolutionsnetze (GCNs) auf die Architekturkonstruktion der Netze oder die Erhaltung der auffälligen Graphenstruktur und ignorieren den Beitrag der vollständigen Graphenstruktur zur semisupervisierten Klassifikation. Um eine umfassendere Verteilungsstruktur aus Multiview-Daten zu extrahieren, wobei sowohl die Spezifizität als auch die Gemeinsamkeiten berücksichtigt werden, schlagen wir eine Strukturfusion basierend auf Graphenkonvolutionsnetzen (SF-GCN) vor, um die Leistung der semisupervisierten Klassifikation zu verbessern. Das SF-GCN kann nicht nur durch spektrale Einbettung die speziellen Merkmale jedes View-Datensatzes beibehalten, sondern auch durch Metriken des Abstands zwischen mehreren Graphenstrukturen den gemeinsamen Stil von Multiview-Daten erfassen. Unter der Annahme eines linearen Zusammenhangs zwischen mehreren Graphenstrukturen können wir die Optimierungsfunktion des Strukturfusionsmodells durch das Ausgewogenhalten von Spezifitätsverlust und Gemeinsamkeitsverlust konstruieren. Durch das Lösen dieser Funktion können wir gleichzeitig die fusionierte spektrale Einbettung aus den Multiview-Daten und die fusionierte Struktur als Adjazenzmatrix erlangen, um sie in GCNs für die semisupervisierte Klassifikation einzugeben. Experimente zeigen, dass die Leistung des SF-GCN bei drei anspruchsvollen Datensätzen – Cora, Citeseer und Pubmed in Zitationsnetzwerken – besser ist als jene der besten bisher bekannten Methoden.