谱图卷积网络（Spectral Graph Convolutional Networks, GCNs）是对卷积网络的一种推广，旨在在图结构数据上进行学习。尽管谱图卷积网络在形状对应和节点分类等固定图结构的问题上取得了成功，但其应用范围仍然有限。在这项工作中，我们通过重新审视一类特定的谱图网络——Chebyshev GCNs，解决了这一局限性，展示了其在解决具有可变图结构和大小的图分类任务中的有效性。Chebyshev GCNs 限制任意两个节点之间最多只能有一条边。为此，我们提出了一种新的多图网络，该网络可以从多关系图中学习。我们用抽象意义对学习到的边进行建模，并尝试了多种方法来融合从注释边和学习边中提取的表示，从而在多个化学分类基准测试中取得了有竞争力的结果。