Para explorar las estructuras y relaciones complejas ocultas en los datos, se han investigado ampliamente numerosos métodos de reducción de dimensionalidad basados en grafos y se han extendido al campo del aprendizaje multi-vista. Para la reducción de dimensionalidad multi-vista, el punto clave es extraer la información multi-vista complementaria y compatible para analizar la estructura subyacente compleja de las muestras, lo cual sigue siendo una tarea desafiante. Proponemos un algoritmo novedoso de reducción de dimensionalidad multi-vista que integra el aprendizaje de estructuras subyacentes y la reducción de dimensionalidad para cada vista en un único marco. Dado que el grafo preespecificado derivado de los datos originales ruidosos de alta dimensión suele ser de baja calidad, el subespacio construido en base a dicho grafo también es de baja calidad. Para obtener el grafo óptimo para la reducción de dimensionalidad, proponemos un marco que aprende la afinidad en base a la representación de baja dimensión de todas las vistas y realiza la reducción de dimensionalidad conjuntamente en base a ello. Aunque los datos originales son ruidosos, la información de la estructura local de los mismos también es valiosa. Por lo tanto, en el proceso de aprendizaje del grafo, también introducimos la información de los grafos predefinidos en base a cada característica de vista en el grafo óptimo. Además, asignar el peso a cada vista en función de su importancia es esencial en el aprendizaje multi-vista, el GoMPL propuesto asigna automáticamente un peso apropiado a cada vista en el proceso de aprendizaje del grafo. El grafo óptimo obtenido se adopta luego para aprender la matriz de proyección para cada vista individual mediante el embebido de grafos. Proporcionamos un método efectivo de actualización alternativa para aprender conjuntamente el grafo óptimo y el subespacio óptimo para cada vista. Realizamos numerosos experimentos en diversos conjuntos de datos de referencia para evaluar la efectividad del método propuesto.