تم تطبيق شبكات التجميع الرسومية (Graph Convolutional Networks - GCNs) بنجاح في مهام تصنيف العقد ضمن تعدين الشبكات. ومع ذلك، فإن معظم هذه النماذج التي تعتمد على تجميع الجوار تكون عادةً ضحلة وتفتقر إلى آلية "تجميع الرسم البياني" (graph pooling)، مما يمنع النموذج من الحصول على المعلومات العالمية الكافية. لزيادة المجال الاستقبالي، نقترح نموذجًا جديدًا عميقًا للشبكة التجميعية الرسومية الهرمية (Hierarchical Graph Convolutional Network - H-GCN) لتصنيف العقد شبه المشرف. يقوم H-GCN أولاً بتجميع العقد المشابهة هيكلياً بشكل متكرر إلى عقد فائقة، ثم يعيد تحسين الرسم البياني المُدقَّق إلى الأصلي لإعادة بناء التمثيل لكل عقدة. بدلاً من تجميع معلومات جوار واحدة أو اثنتين فقط، يوسع الإجراء المقترح للتجميع المجال الاستقبالي لكل عقدة، وبالتالي يمكن التقاط المزيد من المعلومات العالمية. أظهر النموذج H-GCN المقترح أداءً تجريبيًا قويًا على مجموعة متنوعة من مجموعات البيانات الرسومية المرجعية العامة، حيث تفوق على أفضل الأساليب الحالية وحقق تحسنًا في الأداء بنسبة تصل إلى 5.9% من حيث الدقة. بالإضافة إلى ذلك، عند توفير عدد قليل فقط من العينات المصنفة، يكتسب نموذجنا تحسينات كبيرة.