La factorización de matrices ha demostrado un rendimiento sobresaliente en el aprendizaje automático. Recientemente, la factorización de matrices basada en grafos ha ganado una amplia atención. Sin embargo, los métodos basados en grafos solo son adecuados para manejar pequeñas cantidades de datos. Este documento propone un método rápido de aprendizaje semisupervisado utilizando solo la factorización de matrices, que considera tanto la información global como local. Al introducir grafos bipartitos en la factorización de matrices simétricas, la técnica puede manejar conjuntos de datos grandes de manera efectiva. Cabe destacar que al utilizar información de etiquetas, la factorización de matrices simétricas propuesta se vuelve convexa y no restringida, es decir, el problema no convexo se transforma en un problema convexo. Esto permite optimizarlo rápidamente utilizando algoritmos de optimización no restringidos de última generación. La complejidad computacional del método propuesto es , que es mucho menor que la de la factorización de matrices simétricas original, que es , e incluso menor que la de otros métodos basados en anclas, que es , donde representa el número de muestras, representa el número de características y representa el número de anclas. Los resultados experimentales en múltiples conjuntos de datos públicos indican que el método propuesto logra un rendimiento superior en menos tiempo.