近年来,机器学习在诸多现实任务中取得了成功应用,其中一个关键要素在于模型的构建拥有充分的标记数据。然而,现实场景下,标记数据的获取通常代价高昂,亟需要能够有效减少标记代价的机器学习框架,半监督学习就是其中的一类主流范式。经过十余年的研究,半监督学习在封闭场景下取得了显著进展。然而,其在面临开放场景时,效果大打折扣,亟待研究能够有效应对开放场景的学习算法。具体而言,1)在开放场景下,类别集合不再固定,新类数据不断涌现,需要有效检测和利用;2)在开放场景下,数据关系不再可靠,复杂异构图数据不断涌现,需要有效过滤和利用。本论文针对开放场景的半监督学习下上述两个难点问题进行研究,取得如下新进展。1.针对类别集合不再固定的动态数据流半监督学习任务,提出了高效鲁棒算法Seen,该算法有效地融合三个子模块:基于随机森林的新类检测器SeenForest,基于标记传播算法的已知类分类器Seen LP和它们的协同更新过程。该算法利用了有限的标注数据和大量的无标注数据,能够自适应地应对不断变化的新类数据流。在四个基准数据集上的实验验证了该算法不仅能对已知类数据做出有效预测,也能精准识别出数据流中的不同新类数据,在各类数据上均有良好表现。2.针对数据关系不再可靠的复杂异构图半监督学习任务,提出了新型图神经网络算法HmGnn。该算法通过生成超点将零散割裂的众多微图串联以便全局共享信息,进而设计了基于注意力机制的异构卷积算法以更有效地学习节点的表示,并从理论上分析了此建图方式的合理性。结合爱奇艺平台的真实数据,本文将HmGnn和主流监督学习方法以及流行的图神经网络方法进行了对比,实验结果表明该算法取得了明显的性能提升,并具备更好的鲁棒性。