يمكن صياغة العديد من التحديات الناتجة عن العالم الطبيعي كمشكلة مطابقة رسوم بيانية. اعتمدت الطرق القائمة على التعلم العميق السابقة بشكل رئيسي على إعداد مطابقة كاملة بين رسمين بيانيين. في هذا العمل، ندرس مشكلة المطابقة الجزئية الأعمق، مع ضمانات اتساق دورة متعددة الرسوم البيانية. مستندين إلى تقدم حديث في التعلم العميق على الرسوم البيانية، نقترح طريقة جديدة تعتمد على البيانات (URL) لمشكلة المطابقة الجزئية متعددة الرسوم البيانية، والتي تستخدم صيغة كائن-كون وتتعلم تمثيلات خفية لنقاط الكون المجردة. تُعد الطريقة المقترحة تقدماً ملحوظاً في الحد الأدنى من أداء مطابقة النقاط المفتاحية الدلالية، وتم تقييمها على مجموعات بيانات Pascal VOC وCUB وWillow. علاوة على ذلك، تُظهر التجارب المُحكَمة على مجموعة بيانات مطابقة رسوم بيانية صناعية قابلية التوسع للطريقة إلى الرسوم البيانية ذات عدد كبير من العقد، وثباتها أمام درجات عالية من الجزئية.