شهدت السنوات الأخيرة النجاح المتزايد لشبكات العصبونات الرسومية (GNNs) في نمذجة البيانات المهيكلة. ومع ذلك، فإن معظم شبكات العصبونات الرسومية مصممة للرسوم البيانية المتجانسة، حيث تنتمي جميع العقد والأطراف إلى نفس النوع، مما يجعلها غير قادرة على تمثيل الهياكل غير المتجانسة. في هذا البحث، نقدم معمارية محول الرسم البياني غير المتجانس (Heterogeneous Graph Transformer - HGT) لنمذجة الرسوم البيانية غير المتجانسة على نطاق الويب. لنمذجة عدم التجانس، صممنا معلمات تعتمد على نوع العقد والحواف لوصف الانتباه غير المتجانس عبر كل حافة، مما يمنح HGT القدرة على الحفاظ على تمثيلات خاصة بأنواع مختلفة من العقد والحواف. للتعامل مع الرسوم البيانية الديناميكية غير المتجانسة، قدمنا تقنية الترميز الزمني النسبي إلى HGT، والتي تمكن من التقاط الاعتماد الهيكلي الديناميكي بفترات زمنية متغيرة. للتعامل مع بيانات الرسم البياني على نطاق الويب، صممنا خوارزمية عينة الرسم البياني الصغيرة غير المتجانسة (HGSampling) لتحقيق التدريب الفعال والقابل للتوسع. أظهرت التجارب الشاملة على رسم أكاديمي مفتوح يتكون من 179 مليون عقد و2 مليار حافة أن النموذج المقترح HGT يتفوق بشكل مستمر على جميع أسس شبكات العصبونات الرسومية الأكثر تقدمًا بنسبة تتراوح بين 9٪ و21٪ في مجموعة متنوعة من المهام الثانوية.