グラフニューラルネットワーク（GNN）は、グラフ表現学習において主流のアプローチとして広く用いられている。しかし、大多数のGNNは同質性（homophily）を持つグラフに適用される一方で、異質性（heterophily）を持つグラフでは性能が著しく低下する。また、これらのGNNは、ノード表現を生成する際に直接接続された近傍ノードを反復的に集約する手法を採用しているが、この過程では長距離依存関係や1-hop近傍ノード間の複雑な相互作用を直接捉えることが困難である。さらに、グラフ構造の構築要素として確立された構造的パターン（例：モチーフ）には、豊かなトポロジカルおよび意味論的情報を含んでおり、さらなる研究が求められている。本研究では、共通近傍（common neighbors）に基づくモチーフ、すなわちCN-motifsを導入し、構造的パターンの定義を一般化・拡張する。我々は1-hop近傍ノードをグループ化し、CN-motifsに基づいて高次元グラフを構築する。さらに、この構造を活用する新しいフレームワークとして、CN-motifs感知型グラフニューラルネットワーク（CNMPGNN）を提案する。このモデルは、前述の課題を効果的に解決可能である。特に、構造的パターンを効果的に活用することで、複数の同質性および異質性データセットにおいて、既存の最先端性能を上回る結果を達成した。