في هذا البحث، ندرس مشكلة تعلم شبكات التجميع الرسومية (Graph Convolutional Networks - GCNs) للتنبؤ الخطي. تقتصر هياكل GCNs الحالية على المجال المحدود لمرشحات التجميع والMATRIX تحويل مشتركة لكل عقدة. لمعالجة هذه القيود، نقترح شبكات التجميع الرسومية الدلالية (Semantic Graph Convolutional Networks - SemGCN)، وهي بنية عصبية جديدة تعمل على مهام التنبؤ الخطي مع البيانات ذات الهيكل الرسومي. يتعلم SemGCN التقاط المعلومات الدلالية مثل العلاقات المحلية والعالمية بين العقد، والتي لا يتم تمثيلها بشكل صريح في الرسم البياني. يمكن تعلم هذه العلاقات الدلالية من خلال التدريب الشامل من الحقيقة الأرضية دون إشراف إضافي أو قواعد مصممة يدويًا. نقوم أيضًا بدراسة تطبيق SemGCN على تنبؤ وضع الجسم البشري ثلاثي الأبعاد. صيغتنا بديهية وكافية لأن كلًا من الأوضاع البشرية ثنائية الأبعاد وثلاثية الأبعاد يمكن تمثيلهما كرسم بياني منظم يرمّز العلاقات بين المفاصل في هيكل العظام للجسم البشري. نجري دراسات شاملة لتأكيد صحة طرقنا. تثبت النتائج أن SemGCN يتفوق على أفضل ما وصل إليه العلم الحالي بينما يستخدم 90% أقل من المعلمات.