一句话定义：标签传播（Label Propagation）是一种半监督学习方法——把样本看成图上的节点、把相似度看成边，让少量已知标签顺着边“扩散”到所有未标注的样本上。
它是怎么工作的
先建图。每个样本是一个节点，两个样本足够相似就连一条边，边的权重表示相似程度：文档用AI 词典：余弦相似度">余弦相似度、用户用共同好友数或行为重合度、图片用特征距离。然后交替做两件事：
1. 每个未标注节点把自己的标签分布，改成邻居标签分布的加权平均；
2. 每个已标注节点每轮都被重新固定为初始标签，不允许变。
反复迭代，分布趋于稳定，取概率最大的类别作为预测。迭代式通常写成 F ← αSF + (1-α)Y，其中 S 是归一化后的相似度矩阵、Y 是初始标签矩阵；这个过程会收敛，也有闭式解。
打个比方
你想知道小区门口那家馆子好不好吃，只认识三个人：两位去过并给了评价，一位没去过但认识另外一批人。你不需要亲自吃遍全城，只顺着“谁认识谁”这张关系网，把已有评价一层层传过去：朋友的话权重高，朋友的朋友权重低。
已标注的节点像是“固执的邻居”，每轮都被重新固定为初始观点，于是整张图最终被这些固定点限制住，形成一个平滑的标签分布——离“好吃”的人近的样本，也倾向被判断为好吃。
和相邻概念的区别
| 方法 | 需要什么 | 信息怎么流动 | 是否训练参数 |
|---|---|---|---|
| 标签传播 | 相似度图 + 少量标签 | 邻居加权平均，可多跳扩散 | 无 |
| 标签扩散（Label Spreading） | 同上 | 同上，但锚点标签允许微调 | 无 |
| 自训练（Self-training） | 一个基模型 + 少量标签 | 模型给高置信样本打伪标签，图结构不显式存在 | 有 |
| 图神经网络（GNN） | 图 + 节点特征 + 标签 | 可学习的多层消息传递 | 有 |
关键差别有两处。一是和 k-NN（k 近邻）相比：k-NN 只看单个样本的邻居投票，而标签传播是全局的，信息能沿路径跳很多步，一个节点可能被距离很远、但连接路径很近的样本影响。二是和 GNN 相比：标签传播的传播规则是固定的、无参数的；GCN 一类模型把传播权重变成可学习参数，本质上是它的“多层可训练版”。
对实际工作的意义
它适合标注昂贵、且样本之间天然存在结构的场景：文档主题分类、用户画像标签补齐、图像检索去重、欺诈账号识别、推荐冷启动。
最容易出问题的地方不是算法本身，而是如何建图。边太密，不同类会互相干扰；边太疏，标签就传不到远处。类别极不平衡时，多数类会顺着连接把少数类合并掉，需要按类归一化或调整边权。另外它是直推式（transductive）的：新样本进来通常要重新连边甚至重跑。工程上别去算稠密矩阵，用 kNN 稀疏图迭代几十轮就够了。具体实现细节以官方文档为准。