يمكن تشكيل العديد من تطبيقات التعرف على الأنماط كتعلم من بيانات ذات بنية الرسم البياني (البيانات المُرتبة في شكل رسوم بيانية)، بما في ذلك شبكات التواصل الاجتماعي، وشبكات تفاعل البروتينات، ومعلومات الويب العالمي، والرسم البياني للمعرفة وغيرها. بينما تسهم الشبكات العصبية المتكررة (CNN) في تحقيق تقدم كبير في مهام فهم الصور/الفيديوهات المرتبة على شكل شبكة، فقد تم توجيه اهتمام محدود للغاية لتحويل هذه الهياكل الشبكية الناجحة (مثل Inception net، Residual net، Dense net وغيرها) إلى إنشاء شبكات متكررة على الرسوم البيانية بسبب عدم انتظامها ومعقدتها الهندسية ( vertices غير مرتبة، عدد غير ثابت من الحواف/الرؤوس المجاورة). في هذا البحث، نهدف إلى تقديم تحليل شامل للوقت الذي يكون فيه العمل ذا أهمية بتحويل هياكل الشبكة الكلاسيكية المختلفة إلى الرسم البياني CNN، وخاصةً في مشكلة التعرف الأساسية على الرسم البياني. بشكل خاص، نراجع أولاً طرق الرسم البياني CNN العامة، خاصة عملية التصفية الطيفية لها على بيانات الرسم البياني الغير منتظمة. ثم نقدم الهياكل الأساسية لـ ResNet و Inception و DenseNet إلى الرسم البياني CNN ونبني هذه الهياكل على الرسم البياني، والتي يتم تسميتها G_ResNet و G_Inception و G_DenseNet. وبشكل خاص، يسعى هذا البحث إلى مساعدة شبكات الرسم البياني CNN بإلقاء الضوء على كيفية عمل هذه الهياكل الشبكية الكلاسيكية وتوفير إرشادات لاختيار الإطارات المناسبة للشبكات البيانية. أخيرًا، نقيم بشكل شامل أداء هذه الهياكل الشبكية المختلفة على عدة قواعد بيانات عامة للرسم البياني (تشمل شبكات التواصل الاجتماعي ومجموعات البيانات الحيوية)، ونوضح كيف تعمل مختلف الهياكل الشبكية في مهمة التعرف على الرسم البياني باستخدام الرسم البياني CNN.