مع التطور السريع لسوق الموضة، تزداد متطلبات العملاء فيما يتعلق بتوصيات الموضة. في هذا البحث، نهدف إلى دراسة مشكلة عملية في توصيات الموضة من خلال الإجابة على السؤال "أي قطعة يجب أن نختار لتتناسب مع القطع المعطاة وتشكيل مجموعة ملابس متوافقة؟". المفتاح لهذه المشكلة هو تقدير توافق المجموعة. الأعمال السابقة التي ركزت على توافق قطعتين أو مثلت مجموعة الملابس كمتتابعة فشلت في الاستفادة الكاملة من العلاقات المعقدة بين القطع في مجموعة الملابس. لمعالجة هذا النقص، نقترح تمثيل مجموعة الملابس كرسم بياني (Graph). بشكل خاص، نقوم ببناء رسم بياني للموضة (Fashion Graph)، حيث يمثل كل عقد فئة وكل حافة تفاعلًا بين فئتين. وفقًا لذلك، يمكن تمثيل كل مجموعة ملابس كرسم جزئي عن طريق وضع القطع في العقد الفئوية المرتبطة بها. لاستنتاج توافق المجموعة من هذا الرسم البياني، نقترح استخدام شبكات عصبية رسومية عقدية (Node-wise Graph Neural Networks - NGNN) والتي يمكنها نمذجة التفاعلات العقدية بشكل أفضل وتعلم تمثيلات عقدية أفضل. في NGNN، يكون التفاعل العقدي لكل حافة مختلفًا، ويتحدد بواسطة معلمات مرتبطة بالعقد المتصلة. يتم استخدام آلية الانتباه (Attention Mechanism) لحساب درجة توافق المجموعة باستخدام التمثيلات العقدية المُتعلمة. يمكن استخدام NGNN ليس فقط لنمذجة توافق المجموعات من الوسائل البصرية أو النصية ولكن أيضًا من عدة وسائل متعددة. أجرينا التجارب على مهمتين: (1) ملء الفراغ: اقتراح قطعة تتناسب مع مكونات مجموعة الملابس الموجودة؛ (2) التنبؤ بالتوافق: التنبؤ بدرجات توافق المجموعات المعطاة. أظهرت نتائج التجارب الأفضلية الكبيرة للطريقة المقترحة لدينا على غيرها من الطرق.