半教師付き分類における多視点データの多様性と複雑さに苦しみ、既存のグラフ畳み込みネットワークの多くはネットワークアーキテクチャの構築や特徴的なグラフ構造の保存に焦点を当て、半教師付き分類への完全なグラフ構造の貢献を見落としています。各視点データの特殊性と共通性を考慮しつつ、より完全な分布構造を多視点データから抽出するために、我々はグラフ畳み込みネットワークに基づく構造融合（SF-GCN）を提案します。このSF-GCNはスペクトル埋め込みによって各視点データの特殊特性を保持するとともに、多視点データ間の距離計量を使用して共通スタイルを捉えることができます。多視点グラフ構造間の線形関係を仮定することで、特殊性損失と共通性損失のバランスを取りながら、構造融合モデルの最適化関数を構築できます。この関数を解くことで、多視点データからの融合スペクトル埋め込みと隣接行列として表現される融合構造を同時に得ることができ、これらをグラフ畳み込みネットワークに入力して半教師付き分類を行うことが可能になります。実験結果は、Cora, Citeseer, Pubmedという引用ネットワークにおける3つの課題のあるデータセットにおいて、SF-GCNが最先端技術よりも優れた性能を示すことを証明しています。