تمثل الشبكات العصبية الرسومية (GNNs) الأساليب المهيمنة في تعلم تمثيلات الرسوم البيانية. ومع ذلك، فإن معظم نماذج GNNs تُطبَّق على الرسوم البيانية ذات الخصائص المتجانسة (homophily) وتُظهر أداءً ضعيفًا على الرسوم البيانية غير المتجانسة (heterophily). علاوةً على ذلك، تفشل هذه النماذج في التقاط الاعتماديات طويلة المدى والتفاعلات المعقدة بين الجيران على بعد خطوة واحدة (1-hop neighbors) عند إنشاء تمثيلات العقد، وذلك من خلال تجميع متكرر للجيران المرتبطين مباشرة. وبالإضافة إلى ذلك، تحتوي الأنماط البنائية الهيكلية، مثل "الأنماط الوظيفية" (motifs) التي تم إثباتها كوحدات بناء أساسية للهيكل الرسومي، على معلومات توبولوجية ودلالية غنية، مما يجعل دراستها أمرًا يستحق الاهتمام. في هذه الورقة، نُقدّم أنماطًا قائمة على الجيران المشتركين (CN-motifs)، ونُطلق عليها اسم "CN-motifs"، بهدف تعميم وتوسيع تعريف الأنماط الهيكلية. ونُجمّع الجيران على بعد خطوة واحدة ونُنشئ رسمًا بيانيًا من الدرجة العالية بناءً على هذه الأنماط، ونُقدّم إطارًا جديدًا يُسمى الشبكات العصبية الرسومية المُدركة للأنماط القائمة على الجيران المشتركين (CNMPGNN)، الذي يمكنه فعّالًا معالجة المشكلات المذكورة أعلاه. وبشكل مميز، وباستغلال كامل للأنماط الهيكلية، يُحقق نموذجنا نتائج من الطراز الرائد (state-of-the-art) على عدة مجموعات بيانات ذات خصائص متجانسة وغير متجانسة.