تتميز العديد من الرسوم البيانية أو الشبكات الواقعية بكونها متجانسة بطبيعتها، حيث تتضمن تنوعًا في أنواع العقد والعلاقات. ويُقصد بتمثيل الرسوم البيانية المتجانسة (Heterogeneous Graph Embedding) تضمين المعلومات الهيكلية والدلالية الغنية للرسم البياني المتجانس في تمثيلات عقد منخفضة الأبعاد. وعادةً ما تُعرّف النماذج الحالية عدة "ميتامسارات" (metapaths) في الرسم البياني المتجانس لالتقاط العلاقات المركبة وتوجيه اختيار الجيران. ومع ذلك، فإن هذه النماذج تُعاني من ثلاث قيود رئيسية: إما تتجاهل ميزات محتوى العقد، أو تتجاهل العقد المتوسطة الواقعة على طول الميتامسار، أو تأخذ بعين الاعتبار ميتامسارًا واحدًا فقط. ولحل هذه القيود الثلاث، نقترح نموذجًا جديدًا يُسمى "شبكة عصبية رسومية مُجمعة حسب الميتامسار" (Metapath Aggregated Graph Neural Network - MAGNN)، بهدف تعزيز الأداء النهائي. وتحديدًا، يستخدم MAGNN ثلاث مكونات رئيسية: أولًا، تحويل محتوى العقدة لدمج السمات المدخلة للعقد، ثانيًا، تجميع داخل الميتامسار لدمج العقد المتوسطة ذات الدلالة، وثالثًا، تجميع بين الميتامسارات لدمج الرسائل القادمة من عدة ميتامسارات. وتشير التجارب الواسعة التي أُجريت على ثلاث مجموعات بيانات واقعية من الرسوم البيانية المتجانسة في مهام تصنيف العقد، وتجميع العقد، وتنبؤ الروابط، إلى أن MAGNN يحقق نتائج تنبؤية أكثر دقة مقارنةً بالأساليب الحالية المتميزة.