该研究提出了双超图神经网络（DualHGNN）和图推理学习（GIL）等多种基于图神经网络的半监督学习方法，旨在提升节点分类性能。实验结果表明，这些方法在处理未标注数据和复杂图结构时表现优越，建立了新的基准水平。

本文提出了一种名为GIL的框架，用于半监督图节点分类。该框架通过学习节点标签的推理，提高分类性能，并定义节点属性、节点路径和局部拓扑结构之间的结构关系，从而方便地从一个节点推导出另一个节点的推理。在四个基准数据集上进行了全面评估，结果表明，GIL方法具有卓越的性能。