图卷积网络（Graph Convolutional Networks）因其具备归纳式标签传播能力，能够对未标记样本产生良好的预测结果。由于不同样本的预测置信度存在差异，我们选取高置信度的预测结果作为伪标签，以扩展标签集合，从而筛选出更多样本用于模型更新。为此，我们提出一种名为“互教学习”（Mutual Teaching）的新训练方法：即训练两个互为协作的模型，并在每个训练批次中让二者相互指导。具体而言，首先，每个网络对所有样本进行前向传播，并挑选出预测置信度较高的样本；其次，每个模型利用其对应网络所选出的样本进行参数更新。我们将高置信度的预测视为有效知识，通过在每个训练批次中结合模型更新，使一个网络的有效知识传递给另一个网络。在互教学习机制中，某一网络的伪标签集合来源于其对端网络的预测结果。由于采用了这一新颖的网络训练策略，模型性能得到显著提升。大量实验结果表明，在极低标签比例条件下，本方法在各项指标上均优于当前最先进的方法。