近年来,随着网络通信基础设施建设逐步完善,各种新技术的应用以及计算机算力的提高,在人类的各种生活、工作、社交、购物等场景中积累了天量的数据。同时各领域也出现了大量的数据分析和数据挖掘需求,机器学习在这些领域逐步发挥着重要的作用。根据对标签样本的依赖程度,机器学习分为监督学习、无监督学习和半监督学习。半监督学习主要是利用少量有标签的数据和大量无标签的数据进行联合训练,通过训练后的模型对数据进行分类和聚类操作,有效解决了对数据进行繁重统计分析的工作,节省了需要大量人力对数据进行标注的成本。半监督学习是机器学习中的一个热点,标签传播算法在半监督学习领域逐步成为一个研究方向。本文主要研究基于标签传播算法的半监督学习。传统的标签传播算法在对样本进行聚类分析时,在分类边界上的数据容易受到边权重的影响被划分到其他的类中。本文在传统的标签传播算法理论基础上提出了基于样本聚类分析的图构造方法,在构建图的过程中加入边权重影响系数的优化方案,能有效避免处在分类边界的样本被错误划分至其他类的陷阱中,提高了标签传播聚类的准确率。同时,本文结合X企业目前现状,将优化后的标签传播算法应用到X企业的安全风险防控环节,通过有效的数据聚类快速的将具有相似风险标签的商品聚集成簇,分给同一个审核人员进行分组快速审核,提高人员审核效率,降低企业的人力成本。通过在X企业的实际应用,根据对实际结果的抽样分析,表明优化后的基于多因素边权重的算法设计在多数情况下都优于传统的经典标签传播算法。