تمثّل الشبكات العصبية الرسومية (GNNs)، التي تمدّد الشبكات العصبية العميقة إلى البيانات ذات البنية الرسومية، اهتمامًا كبيرًا وحققت أداءً متقدمًا في العديد من المهام المتعلقة بالرسوم البيانية. ومع ذلك، تتركز النماذج الحالية للشبكات العصبية الرسومية بشكل رئيسي على تصميم عمليات التصفية الرسومية (graph convolution). في المقابل، تُهمل عمليات التجميع الرسومي (أو التناقص التنازلي) (graph pooling)، التي تلعب دورًا مهمًا في تعلم التمثيلات الهرمية، غالبًا. في هذا البحث، نقترح مشغل تجميع رسومي جديدًا يُسمّى "التجميع الهرمي للرسوم مع تعلّم البنية" (HGP-SL)، والذي يمكن دمجه في مختلف هياكل الشبكات العصبية الرسومية. يدمج HGP-SL عملية التجميع الرسومي وتعلّم البنية في وحدة موحدة لتكوين تمثيلات هرمية للرسوم البيانية. وبشكل أكثر تحديدًا، تقوم عملية التجميع الرسومي باختيار تلقائي لمجموعة فرعية من العقد لتكوين رسم بياني فرعي مُستَحَدَّ (induced subgraph) للطبقات التالية. ولضمان الحفاظ على سلامة المعلومات الهيكلية للرسم البياني، نُدخل ميكانيزمًا إضافيًا لتعلّم البنية لتعلم هيكل رسومي مُحسَّن للرسم المُجمَّع في كل طبقة. وبدمج مشغل HGP-SL مع الشبكات العصبية الرسومية، نُنفّذ تعلّم التمثيل على مستوى الرسم البياني، مع التركيز على مهمة تصنيف الرسوم البيانية. وأظهرت النتائج التجريبية على ستة معايير شائعة الاستخدام فعالية النموذج المقترح.