多关系网络捕捉了数据中的复杂关系，在生物医学、金融和社会科学等领域有着广泛的应用。随着从日益庞大的数据集中衍生出的网络变得越来越普遍，寻找高效的方法来表示和分析这些网络变得至关重要。本研究扩展了质数邻接矩阵（Prime Adjacency Matrices, PAMs）框架，该框架利用质数来唯一表示网络中的不同关系。这使得可以使用单个邻接矩阵紧凑地表示完整的多关系图，从而加速多跳邻接矩阵的计算。在本研究中，我们通过引入一种无损算法来计算多跳矩阵，并提出了路径包（Bag of Paths, BoP）表示方法，这是一种适用于节点、边和图级别的各种图分析任务的多功能特征提取方法。我们在多个任务和数据集上展示了该框架的效率，结果表明基于BoP的简单模型在性能上可与常用的神经模型相媲美甚至更优，同时提供了更高的速度和可解释性。