Les réseaux de neurones graphiques (GNN) sont devenus les approches dominantes pour l’apprentissage de représentations de graphes. Toutefois, la plupart des GNN sont conçus pour les graphes présentant une homophilie et se comportent médiocrement sur les graphes hétérophiles. En outre, ces modèles peinent à capturer directement les dépendances à longue portée et les interactions complexes entre les voisins à un saut (1-hop) lors de la génération des représentations des nœuds, en s’appuyant uniquement sur une aggregation itérative des voisins directement connectés. Par ailleurs, les motifs structurels — qui ont été établis comme éléments fondamentaux de la structure des graphes — contiennent une information topologique et sémantique riche, justifiant une étude approfondie. Dans cet article, nous introduisons de nouveaux motifs basés sur les voisins communs, que nous appelons CN-motifs, afin de généraliser et enrichir la définition des motifs structurels. Nous regroupons les voisins à un saut et construisons un graphe de haut ordre à partir des CN-motifs, puis proposons un nouveau cadre, nommé CN-motifs Perceptive Graph Neural Networks (CNMPGNN), capable de résoudre efficacement les problèmes mentionnés ci-dessus. Notamment, en exploitant pleinement les motifs structurels, notre modèle atteint des résultats de pointe sur plusieurs jeux de données, tant homophiles que hétérophiles.