طرق تعلم تمثيل الرسوم البيانية (GRL)، مثل شبكات العصبونات الرسومية ونماذج التحويل الرسومي، قد استخدمت بنجاح لتحليل البيانات ذات الهيكل الرسومي، مع التركيز بشكل أساسي على مهام تصنيف العقد وتوقع الروابط. ومع ذلك، فإن معظم الدراسات الحالية تأخذ بعين الاعتبار فقط الاتصال المحلي وتتجاهل الاتصال البعيد وأدوار العقد. في هذا البحث، نقترح شبكات التحويل الرسومي الموحدة (UGT) التي تقوم بدمج المعلومات الهيكلية المحلية والعالمية بشكل فعال في تمثيلات متجهة ذات طول ثابت. أولاً، تقوم UGT بتعلم الهيكل المحلي من خلال تحديد الهياكل الفرعية المحلية وجمع خصائص الأحياء المجاورة للعقد بمسافة $k$k-قفزة. ثانيًا، نقوم بإنشاء حواف افتراضية تربط العقد البعيدة التي تشترك في شبه هيكلية لالتقاط الاعتمادية البعيدة. ثالثًا، تتعلم UGT التمثيلات الموحدة من خلال الانتباه الذاتي، حيث تقوم بتشفير المسافة الهيكلية واحتمالية الانتقال بـ $p$p خطوة بين أزواج العقد. بالإضافة إلى ذلك، نقترح مهمة تعلم ذاتي-إشراف فعالة تتعلم فيها احتمالية الانتقال لدمج الخصائص الهيكلية المحلية والعالمية، والتي يمكن نقلها بعد ذلك إلى مهام أخرى لاحقة. أظهرت النتائج التجريبية على مجموعات بيانات قياسية حقيقية عبر مجموعة متنوعة من المهام اللاحقة أن UGT حققت تفوقًا كبيرًا على النماذج الأساسية التي تتكون من أفضل النماذج الحالية. علاوة على ذلك، تصل UGT إلى قوة التعبير لاختبار الأيزومورفيزم وايسفيلر-ليمان من المرتبة الثالثة (3d-WL) في تمييز أزواج الرسوم البيانية غير الأيزومورفية. يتوفر الكود المصدر في https://github.com/NSLab-CUK/Unified-Graph-Transformer.