النماذج الحديثة للتعلم العميق في مجال تعلم التمثيلات على الرسوم البيانية تتبع إجراء جمع الجوار. نقوم بتحليل بعض الخصائص المهمة لهذه النماذج واقترحنا استراتيجية للتغلب عليها. بشكل خاص، نطاق العقد "المجاورة" التي تستمد منها تمثيل عقدة معينة يعتمد بشكل كبير على بنية الرسم البياني، مشابهًا لانتشار المشي العشوائي. لكي نتكيف مع خصائص الجوار المحلية والمهام، نستكشف هندسة - شبكات المعرفة القفزية (Jumping Knowledge) - التي تستفيد بمرنة من نطاقات جوار مختلفة لكل عقدة، مما يمكنها من تحقيق تمثيل أكثر وعيًا بالبنية. في عدد من التجارب على الشبكات الاجتماعية والبيوانفورماتيكية وشبكات الاستشهادات، أظهرت نموذجنا أداءً متفوقًا على مستوى الحالة الراهنة. بالإضافة إلى ذلك، فإن دمج إطار العمل JK مع نماذج مثل شبكات التجميع الرسمية البيانية (Graph Convolutional Networks)، GraphSAGE وشبكات الانتباه الرسمية البيانية (Graph Attention Networks) يحسن باستمرار أداء هذه النماذج.