تم استخدام الشبكات العصبية الرسومية (GNNs) على نطاق واسع في تعلم التمثيل للبيانات الرسومية المهيكلة المختلفة. وعلى الرغم من الإمكانات الواعدة، فإن معظم الشبكات العصبية الرسومية الحالية تبسيطت بشكل مفرط تعقيد وتعددية الحواف في الرسم البياني، مما يجعلها غير فعّالة في التعامل مع الرسوم البيانية المتنوعة الشائعة، والتي تكون عادةً على شكل تمثيلات رسمية متعددة العلاقات. في هذا البحث، نقترح RioGNN، وهي معمارية جديدة للشبكة العصبية الرسومية متعددة العلاقات تعتمد على اختيار مجاورات مُعزَّزة ومتكررة ومرنة، موجهة بآلية توجيهية لاستكشاف تعقيد هياكل الشبكات العصبية مع الحفاظ على تمثيلات تعتمد على العلاقات. نبدأ أولاً ببناء رسم بياني متعدد العلاقات وفقًا للمهمة العملية، لتعكس التنوع في العقد، والحواف، والسمات، والعلامات. ولتجنب التمازج المفرط في التمثيل بين أنواع مختلفة من العقد، نستخدم قياسًا شبكيًا لتماثل مُدرك للعلامة، لتحديد الجيران الأكثر تشابهًا بناءً على خصائص العقد. كما تم تطوير آلية مُعزَّزة لاختيار الجيران المدركين للعلاقة، لاختيار الجيران الأكثر تشابهًا مع العقدة المستهدفة ضمن علاقة معينة، قبل دمج جميع معلومات الجوار من علاقات مختلفة للحصول على التمثيل النهائي للعقدة. وبشكل خاص، ولتحسين كفاءة عملية اختيار الجيران، نقترح إطارًا جديدًا للتعلم القوي المتكرر والقابل للتوسع، يتيح تحديدًا قابلاً للتقدير لعمق وعرض الشبكة، لتناسب مختلف أحجام الرسوم البيانية متعددة العلاقات. ويتيح RioGNN تعلم تمثيلات عقد أكثر تمييزًا وشفافية محسّنة، بفضل التعرف على الأهمية الفردية لكل علاقة عبر آلية حدّ التصفية. وتشير التجارب الشاملة على بيانات رسمية واقعية ومهمات عملية إلى تفوق النموذج من حيث الفعالية والكفاءة والشفافية المُمكنة، مقارنةً بنماذج GNN الأخرى.