في تعلم تمثيل المثيلات الرسومية، كانت حجم المثيلات الرسومية المتنوعة وخاصية عدم ترتيب العقد في الرسم البياني من العوائق الرئيسية التي جعلت النماذج الحالية لتعلم التمثيلات غير فعالة. في هذه الورقة، سنقوم بفحص فعالية نموذج GRAPH-BERT في تعلم تمثيل المثيلات الرسومية، والذي تم تصميمه في الأصل لمهام تعلم تمثيل العقد. ولتكيف GRAPH-BERT مع البيئات المشكلة الجديدة، نعيد تصميمه باستخدام بنية مجزأة، والتي تُعرف في هذه الورقة باسم SEG-BERT (GRAPH-BERT المجزأ). لا يحتوي SEG-BERT على مدخلات أو مكونات تعتمد على ترتيب العقد، وبالتالي يمكنه التعامل مع خاصية عدم ترتيب العقد في الرسم البياني بشكل طبيعي. علاوة على ذلك، يتميز SEG-BERT ببنية مجزأة ويُدخل ثلاث استراتيجيات مختلفة لتحقيق توحيد أحجام المثيلات الرسومية، وهي: الاستخدام الكامل للمدخلات، والتمديد/الحذف (padding/pruning)، والانزياح الجزئي (segment shifting)، على التوالي. يمكن تدريب SEG-BERT مسبقًا بطريقة غير مراقبة، ويمكن نقله مباشرة إلى مهام جديدة، إما دون أي تعديل دقيق أو مع تعديل دقيق ضروري. تم اختبار فعالية SEG-BERT من خلال تجارب على سبعة مجموعات بيانات معيارية لتمثيل المثيلات الرسومية، وقد أظهر أداءً أفضل من الأساليب المقارنة في ستة منها، مع ميزة أداء بارزة.