En los últimos años, las redes neuronales convolucionales de grafos (GCNs) se han convertido en un tema de investigación popular debido a su destacado rendimiento en diversas tareas de minería de datos en redes complejas. Sin embargo, la investigación actual sobre redes neuronales de grafos carece de comprensión de las características estructurales de alto orden de las redes, centrándose principalmente en las características de los nodos y las características de los vecinos de primer orden. Este artículo propone dos nuevos modelos, MGAT y MGATv2, al introducir motivos de estructura de alto orden que aparecen con frecuencia en las redes y combinarlos con mecanismos de atención de grafos. Al introducir una matriz de información mixta basada en motivos, se mejora el proceso de generación de coeficientes de atención de grafos, lo que permite que el modelo capture características estructurales de orden superior. En comparación con la investigación más reciente sobre diversas redes neuronales de grafos, tanto MGAT como MGATv2 logran buenos resultados en tareas de clasificación de nodos. Además, a través de varios estudios experimentales en conjuntos de datos reales, demostramos que la introducción de motivos estructurales de red puede mejorar efectivamente el poder expresivo de las redes neuronales de grafos, lo que indica que tanto las características estructurales de alto orden como las características de atributos son componentes importantes del aprendizaje de características de red.