في العديد من التطبيقات الهامة لمعالجة بيانات الرسم البياني، تتضمن المعلومات المكتسبة خصائص العقد وملاحظات حول طبوغرافية الرسم البياني. تم تصميم شبكات العصبونات الرسومية (GNNs) للاستفادة من كلا مصدرَي الدليل، لكنها لا تتفوق في تحقيق التوازن الأمثل بين فائدتهما ولا تقوم بدمجهما بطريقة شاملة. هنا، يشير الشمول إلى الاستقلال عن افتراضات الرسم البياني المتجانسة أو غير المتجانسة. نعالج هذه القضايا من خلال تقديم معمارية جديدة لشبكات العصبونات الرسومية تعتمد على PageRank المعمم (GPR) والتي تتعلم أوزان GPR بشكل تكيفي بهدف تحسين استخراج معلومات خصائص العقد والطبوغرافية بشكل مشترك، بغض النظر عن مدى تجانس أو عدم تجانس علامات العقد. يتم ضبط الأوزان المُتعلمة لـ GPR تلقائيًا وفقًا لنمط علامات العقد، دون الاعتماد على نوع التهيئة الأولية، مما يضمن أداءً ممتازًا في التعامل مع أنماط العلامات التي غالبًا ما تكون صعبة المعالجة. بالإضافة إلى ذلك، فإنها تتيح تجنب الإفراط في تنعيم الخصائص، وهي عملية تقضي على تمييز المعلومات الخاصة بالخصائص، دون الحاجة إلى أن يكون الشبكة ضحلًا. يساعدنا التحليل النظري المرافق لطريقة GPR-GNN على ذلك من خلال استخدام مجموعات بيانات قياسية جديدة تم إنشاؤها بواسطة ما يعرف بنموذج الكتلة العشوائية السياقية. كما نقارن أداء معمارية GNN الخاصة بنا مع أداء العديد من شبكات GNN الأكثر تقدمًا في مشكلة تصنيف العقد باستخدام مجموعات البيانات القياسية المشهورة والمتجانسة وغير المتجانسة. تظهر النتائج أن GPR-GNN يقدم تحسينًا كبيرًا في الأداء مقارنة بالتقنيات الحالية لكل من البيانات الاصطناعية والبيانات القياسية.