Este trabajo considera la tarea de aprendizaje de representación en el grafo relacional atribuido (ARG). Tanto los nodos como los bordes en un ARG están asociados con atributos/características que permiten a los ARG codificar información estructural rica que se observa ampliamente en aplicaciones reales. Las redes neuronales de grafos existentes ofrecen una capacidad limitada para capturar interacciones complejas dentro de contextos estructurales locales, lo que les impide aprovechar el poder de expresión de los ARG. Proponemos el módulo de convolución de motivos (MCM), una nueva técnica de aprendizaje de representación gráfica basada en motivos para utilizar mejor la información estructural local. La capacidad de manejar características continuas de bordes y nodos es una de las ventajas de MCM sobre los modelos basados en motivos existentes. MCM construye un vocabulario de motivos de manera no supervisada y despliega una novedosa operación de convolución de motivos para extraer el contexto estructural local de nodos individuales, que luego se utiliza para aprender representaciones de nodos de nivel superior a través de perceptrones multicapa y/o paso de mensajes en redes neuronales de grafos. En comparación con otros enfoques de aprendizaje de grafos para clasificar grafos sintéticos, nuestro enfoque es sustancialmente mejor para capturar el contexto estructural. También demostramos las ventajas de rendimiento y explicabilidad de nuestro enfoque aplicándolo a varios puntos de referencia moleculares.