تستخدم هذه الدراسة الهياكل المجتمعية لمعالجة انحيازات درجة العقد في نماذج تمرير الرسائل (MP) من خلال تعزيزات رسمية قابلة للتعلم ومحولات رسمية جديدة. أظهرت الطرق القائمة على التوسيع الحديثة أن شبكات العصبونات MP غالبًا ما تؤدي أداءً ضعيفًا على العقد ذات الدرجة المنخفضة، مما يؤدي إلى انحيازات درجة بسبب قلة الرسائل التي تصل إلى العقد ذات الدرجة المنخفضة. وعلى الرغم من نجاحها، فإن معظم هذه الطرق تعتمد على توسيعات هوورستية أو عشوائية موحدة، وهي غير قابلة للتمييز التفاضلي وربما لا تُنتج دائمًا حوافًا ذات قيمة لتمثيل المعرفة. في هذه الورقة، نقترح محولات الرسوم البيانية المُدركة للمجتمعات، والمعروفة بـ CGT، لتعلم تمثيلات خالية من انحيازات الدرجة من خلال تعزيزات قابلة للتعلم ومحولات الرسوم البيانية، وذلك باستخلاص الهياكل داخل المجتمعات. أولاً، نصمم تعزيزًا قابلاً للتعلم للرسم البياني يُولّد حوافًا داخل المجتمعات أكثر، مما يربط العقد ذات الدرجة المنخفضة من خلال تشويش الحواف. ثانيًا، نقترح انتباهًا ذاتيًا محسّنًا لتعلم التقارب الكامن والأدوار التي تؤديها العقد داخل المجتمع. ثالثًا، نقترح مهمة تعلّم ذاتيًا يمكنها تعلم التمثيلات مع الحفاظ على البنية العالمية للرسم البياني وتنظيم تعزيزات الرسم البياني. أظهرت التجارب الواسعة على مجموعة متنوعة من مجموعات البيانات القياسية أن CGT تتفوق على أحدث الطرق المُقارنة، وتحسّن بشكل ملحوظ انحيازات درجة العقد. يمكن الوصول إلى كود المصدر عبر الرابط: https://github.com/NSLab-CUK/Community-aware-Graph-Transformer.