في الشبكات العصبية الرسومية (GNNs)، يُجرى تمرير الرسائل بشكل تكراري لجمع معلومات العقد من جيرانها المباشرين، مع تجاهل الطبيعة التسلسلية للاتصالات متعددة الخطوات بين العقد. وتحتِّم هذه الاتصالات التسلسلية، مثل المسارات الوظيفية (metapaths)، رؤى حاسمة للمهام اللاحقة. وبشكل محدد، في أنظمة التوصية (RSs)، يؤدي إهمال هذه الرؤى إلى استخلاص غير كافٍ للإشارات التعاونية. في هذه الورقة، نستخدم الرسوم الفرعية التعاونية (CSGs) والمسارات الوظيفية لتكوين رسوم فرعية واعية بالمسار الوظيفي، والتي تُصوِّر صراحةً المعاني التسلسلية في الهياكل الرسومية. نقترح نموذجًا يُسمى PEAGNN (الشبكة العصبية الرسومية الواعية بالمسار الوظيفي والكائن)، الذي يدرّب شبكات GNN متعددة الطبقات لتنفيذ جمع معلومات واعٍ بالمسار الوظيفي على هذه الرسوم الفرعية. ثم يتم دمج المعلومات المجمعة من مسارات وظيفية مختلفة باستخدام آلية الانتباه (attention mechanism). في النهاية، يُنتج PEAGNN تمثيلات للعقد والرسوم الفرعية، والتي يمكن استخدامها لتدريب شبكة متعددة الطبقات (MLP) لتوقع الدرجات الخاصة بزوج المستخدم-المنتج المستهدف. وللاستفادة من البنية المحلية للرسوم الفرعية التعاونية، نقدّم مفهوم "الوعي بالكائن" (entity-awareness)، والذي يعمل كمُنظِّم تناصلي (contrastive regularizer) على تمثيلات العقد. علاوةً على ذلك، يمكن دمج PEAGNN مع طبقات بارزة مثل GAT وGCN وGraphSage. تُظهر التقييمات التجريبية أن التقنية المقترحة تتفوّق على النماذج المنافسة في عدة مجموعات بيانات ضمن مهام التوصية. كما تُظهر التحليلات الإضافية أن PEAGNN يتعلم أيضًا تركيبات معنوية للمسارات الوظيفية من مجموعة محددة من المسارات الوظيفية المعطاة.