Graph-basiertes semi-supervised Learning (GSSL) ist seit langem ein zentrales Forschungsthema. Traditionelle Methoden sind im Allgemeinen flache Lernalgorithmen, die auf der Clusterannahme basieren. In jüngster Zeit haben Graph Convolutional Networks (GCNs) aufgrund ihrer vielversprechenden Leistungsfähigkeit die dominierende Rolle übernommen. In diesem Artikel untersuchen wir theoretisch die Beziehung zwischen diesen beiden Ansätzen in einem einheitlichen Optimierungsrahmen. Ein besonders aufschlussreiches Ergebnis ist, dass typische GCNs im Gegensatz zu traditionellen Methoden möglicherweise in jeder Schicht nicht gleichzeitig die Graphstruktur und die Labelinformation berücksichtigen. Ausgehend von diesem Erkenntnis schlagen wir drei einfache, aber leistungsfähige Graph-Konvolutionsmethoden vor. Die erste ist eine überwachte Methode, OGC, die den Konvolutionsprozess durch Labels leitet. Die beiden anderen sind zwei unüberwachte Methoden: GGC und ihre multiskalige Variante GGCM, die beide darauf abzielen, die Strukturinformation des Graphen während des Konvolutionsprozesses zu bewahren. Abschließend führen wir umfangreiche Experimente durch, um die Wirksamkeit unserer Ansätze zu belegen.