针对贪心最大割图半监督学习算法(简称GGMC)计算复杂度较高的问题,提出一种改进的贪心最大割图半监督学习算法(简称GGMC-Estop)。依据对GGMC算法优化过程中目标函数变化趋势的实验分析,采取两种在迭代初期停止GGMC算法运行策略,继而通过一次标准的标签传播步骤预测图上所有样本的标记来实施对GGMC的改进。典型数据集的仿真实验结果表明,在取得相近分类性能的同时,改进算法在计算速度上有很大的提高。