Hoy en día, los métodos de aprendizaje de representación de grafos, en particular los métodos de redes neuronales de grafos, han atraído gran atención y han tenido un buen desempeño en muchas tareas secundarias. Sin embargo, la mayoría de los métodos de redes neuronales de grafos tienen una sola perspectiva ya que parten de los bordes (o matriz de adyacencia) de los grafos, ignorando la estructura mesoscópica (estructura local de alto orden). En este documento, presentamos HS-GCN (Red de Convolución de Grafos de Similitud de Nodo de Alto Orden), que puede extraer las características estructurales potenciales de los grafos desde diferentes perspectivas al combinar múltiples métodos de similitud de nodo de alto orden. Analizamos HS-GCN teóricamente y mostramos que es una generalización de los métodos de redes neuronales de grafos basados en convoluciones desde diferentes perspectivas de normalización. Una serie de experimentos han demostrado que al combinar similitudes de nodo de alto orden, nuestro método puede capturar y utilizar la información estructural de alto orden del grafo de manera más efectiva, lo que resulta en mejores resultados.