تُظهر الأحداث الواقعية درجة عالية من الترابط والاعتماد المتبادل، وبالتالي فإن النقاط البيانات الناتجة عنها ترث هذه الارتباطات أيضًا. ومع ذلك، تتجاهل معظم تقنيات الذكاء الاصطناعي/التعلم الآلي (AI/ML) هذه الارتباطات بين النقاط البيانات. وقد أدى التزايد الأخير في الاهتمام بالتقنيات القائمة على الرسوم البيانية (Graph-based AI/ML) إلى استغلال هذه الارتباطات بشكل فعّال. وتُستخدم خوارزميات التعلم القائمة على الرسوم البيانية بشكل فعّال لاستغلال البيانات والمعلومات المرتبطة بها لبناء نماذج متفوقة. ومن بين هذه التقنيات، يُعد التعلم العصبي على الرسوم البيانية (Neural Graph Learning - NGL) تقنية تُستخدم فيها خوارزمية تعلم آلي تقليدية مع دالة خسارة معدلة لاستغلال الحواف في البنية الرسومية. في هذه الورقة، نقترح نموذجًا يستخدم NGL يُسمى NodeNet لحل مهمة تصنيف العقد في رسوم بيانية الاستشهاد (citation graphs). ونناقش تعديلاتنا وعلاقتها بمهام التصنيف. كما نقارن نتائجنا مع الحد الأقصى الحالي من الأداء (state of the art)، ونستعرض الأسباب الكامنة وراء الأداء المتفوق لنموذج NodeNet.