La red neuronal gráfica (GNN) es un tipo de modelo poderoso de aprendizaje profundo utilizado para procesar datos de gráficos que consisten en nodos y aristas. Muchos estudios de GNN han modelado las relaciones entre las aristas y las etiquetas de los nodos solo por homofilia/heterofilia, donde la mayoría/de pocos nodos con la misma etiqueta tienden a tener una arista entre sí. Sin embargo, este método de modelado no puede describir el modo de multiconexión en gráficos donde la homofilia puede coexistir con la heterofilia. En este trabajo, proponemos una matriz de transición para describir las relaciones entre las aristas y las etiquetas a nivel de clase. A través de esta matriz de transición, construimos un GNN más interpretable de manera predictiva de vecinos, medimos la información que las aristas pueden proporcionar para la tarea de clasificación de nodos y propusimos un método para probar si las etiquetas coinciden con las aristas. Los resultados muestran la mejora del método propuesto frente a las GNN de última generación (SOTA). También obtenemos los siguientes dos resultados: (1) el bajo rendimiento de las GNN es altamente relevante para la información de las aristas en lugar de la heterofilia, que siempre se considera el factor principal que resulta en la disminución del rendimiento; y (2) la mayoría de los conjuntos de datos heterofílicos de referencia muestran el problema de desajuste entre las etiquetas y las aristas, lo que los hace inmanejables.