الشبكات العصبية الرسومية (GNNs) تم استخدامها على نطاق واسع في تعلم التمثيلات على الرسوم البيانية وأحرزت أفضل الأداء في مهام مثل تصنيف العقد وتوقع الروابط. ومع ذلك، فإن معظم الشبكات العصبية الرسومية الحالية مصممة لتعلم تمثيلات العقد على رسوم بيانية ثابتة ومتجانسة. تصبح هذه القيود مشكلة بشكل خاص عند تعلم التمثيلات على رسم بياني غير صحيح أو رسم بياني غير متجانس يتكون من أنواع مختلفة من العقد والحواف. في هذا البحث، نقترح شبكات تحويل الرسوم البيانية (GTNs) التي يمكنها إنشاء هياكل رسومية جديدة، والتي تتضمن تحديد الروابط المفيدة بين العقد غير المتصلة في الرسم البياني الأصلي، بينما تقوم بتعلم تمثيلات عقد فعالة على الرسوم البيانية الجديدة بطريقة شاملة. طبقة تحويل الرسم البياني، وهي الطبقة الأساسية لـ GTNs، تتعلم اختيارًا ناعمًا لأنواع الحواف والعلاقات المركبة لإنشاء روابط متعددة الخطوات تُعرف بالمسارات الفائقة (meta-paths). أظهرت تجاربنا أن GTNs تتعلم هياكل رسومية جديدة بناءً على البيانات والمهام دون الحاجة إلى معرفة المجال، وتقدم تمثيلات قوية للعقد من خلال التحويل على الرسوم البيانية الجديدة. بدون معالجة سابقة خاصة بالمجال للرسم البياني، حققت GTNs أفضل الأداء في جميع ثلاث مهام تصنيف العقد القياسية مقابل الأساليب الأكثر حداثة التي تتطلب تحديد المسارات الفائقة (meta-paths) من معرفة المجال.