تُعدّ نوى الرسوم البيانية (Graph kernels) أساليب نواة تقيس تشابه الرسوم البيانية، وتعتبر أداة قياسية لتصنيف الرسوم البيانية. ومع ذلك، فإن استخدام أساليب النواة في تصنيف العقد، وهو مشكلة ذات صلة بتعلم تمثيل الرسوم البيانية، لا يزال غير مُعرّف جيدًا، والأساليب الحالية الأفضل في المجال تعتمد بشكل كبير على القواعد التجريبية (الاستنتاجات التقديرية). في هذا العمل، نقدّم إطارًا نظريًا جديدًا مبنيًا على النواة لتصنيف العقد، يمكنه سد الفجوة بين هاتين المشكلتين في تعلم التمثيل على الرسوم البيانية. يُحفّز هذا النهج على منهجية نوى الرسوم البيانية، لكنه تم توسيعه لتعلم تمثيلات العقد التي تلتقط المعلومات الهيكلية داخل الرسم البياني. ونُظهر نظريًا أن صيغتنا قوية مثل أي نواة إيجابية شبه محددة (positive semidefinite). ولتمكين التعلم الفعّال للنواة، نقترح آلية جديدة لجمع ميزات العقدة، ونستخدم قياس تشابه مُدار بالبيانات خلال مرحلة التدريب. والأهم من ذلك، أن إطارنا مرن ويكمّل النماذج العميقة القائمة على الرسوم البيانية الأخرى، مثل شبكات الت convolution الرسومية (Graph Convolutional Networks - GCNs). وقد قمنا بتقييم منهجنا تجريبيًا على عدد من معايير تصنيف العقد القياسية، ونُظهر أن نموذجنا يحقق أفضل الأداء الحالي (state of the art) الجديد.