تم دراسة الشبكات العصبية الرسومية (GNNs) بشكل مكثف في مهام عالمية حقيقية متعددة. ومع ذلك، فإن افتراض التشابه (homophily) الخاص بوظيفة التجميع في GNNs يحد من قدرتها على التعلم التمثيلي في الرسوم البيانية غير المتجانسة (heterophily graphs). في هذه الورقة، نسلط الضوء على أنماط المسارات (path level patterns) في الرسوم البيانية التي يمكنها التعبير الصريح عن معلومات بنائية ودلالية غنية. ولذلك، نقترح نموذجًا جديدًا يُسمى "شبكة عصبية رسومية تعتمد على المسار واعية بالبنية" (PathNet)، مصممًا لتوسيع نطاق تطبيق GNNs ليشمل كل من الرسوم البيانية المتجانسة وغير المتجانسة. بشكل محدد، نُقدّم أولًا عينة مسارات ذات إنتروبيا قصوى، والتي تساعدنا على استخلاص عدد من المسارات التي تحتوي على سياق بنائي. ثم نُقدّم خلية تكرارية واعية بالبنية تتكون من مكونات تحافظ على الترتيب (order-preserving) ومكونات واعية بالمسافة (distance-aware)، بهدف تعلّم المعلومات الدلالية للجيران. وأخيرًا، نُنشئ نموذجًا لتمثيل تفضيل المسارات المختلفة تجاه العقدة المستهدفة بعد تشفير المسارات. تُظهر النتائج التجريبية أن النموذج يحقق تحسينات كبيرة في مهام تصنيف العقد في كل من الرسوم البيانية المتجانسة وغير المتجانسة.