في هذا البحث، نقدم نظرية استخدام شبكات العصبونات الرسومية (GNNs) لتعلم تمثيلات متعددة العقد (حيث نهتم بتعلم تمثيل لمجموعة تضم أكثر من عقدة واحدة، مثل الرابط). نعلم أن شبكات العصبونات الرسومية مصممة لتعلم تمثيلات للعقدة الواحدة. عندما نرغب في تعلم تمثيل لمجموعة عقد تتضمن عدة عقد، فإن الممارسة الشائعة في الأبحاث السابقة هي جمع التمثيلات الفردية للعقد التي يتم الحصول عليها من خلال شبكة عصبية رسومية في تمثيل مشترك لمجموعة العقد. في هذا البحث، نوضح قيدًا أساسيًا لهذه الطريقة، وهو عدم القدرة على التقاط الارتباط بين العقد في مجموعة العقد، ونحاجج بأن جمع التمثيلات الفردية للعقد مباشرة لا يؤدي إلى تمثيل فعال مشترك لعدة عقد.ثم، لاحظنا أن بعض الأبحاث الناجحة السابقة في مجال تعلم تمثيلات متعددة العقد، بما في ذلك SEAL و Distance Encoding و ID-GNN، استخدمت جميعها تقنيات وضع العلامات على العقد. هذه الطرق تقوم أولاً بوضع علامات على العقد في الرسم البياني بناءً على علاقاتها بمجموعة العقد المستهدفة قبل تطبيق شبكة عصبية رسومية. بعد ذلك، يتم جمع التمثيلات الناتجة عن العقد الموسومة في تمثيل لمجموعة العقد. من خلال دراسة آلياتها الداخلية، قمنا بتوحيد هذه التقنيات لوضع العلامات على العقد في شكل واحد وأكثر عمومية -- حيلة وضع العلامات (labeling trick). أثبتنا أنه باستخدام حيلة وضع العلامات يمكن لشبكة عصبية رسومية كافية التعابير أن تتعلم أكثر التمثيلات تعابيرًا لمجموعات العقد، وبالتالي تحل بشكل مبدئي أي مهمة تعلم مشترك فوق مجموعات العقد. أجريت التجارب على مهمة مهمة وهي توقع الرابط (link prediction)، والتي أكدت صحة نظريتنا. يفسر عملنا الأداء المتفوق للطرق السابقة القائمة على وضع علامات على العقد، ويضع أساسًا نظريًا لاستخدام شبكات العصبونات الرسومية في تعلم تمثيلات متعددة العقد.