Die Lernmethode für Graphrepräsentationen besteht darin, universelle Knotenrepräsentationen zu erlernen, die sowohl Knoteneigenschaften als auch strukturelle Informationen bewahren. Die abgeleiteten Knotenrepräsentationen können für verschiedene nachgelagerte Aufgaben verwendet werden, wie zum Beispiel die Klassifikation und Clustering von Knoten. Wenn ein Graph heterogen ist, wird das Problem schwieriger als bei der Lernmethode für homogene Graphknoten. Inspiriert durch neuartige informations-theoretische Lernalgorithmen schlagen wir in diesem Artikel ein unüberwachtes Graph-Neuronales Netzwerk vor, das Heterogeneous Deep Graph Infomax (HDGI) genannt wird, um heterogene Graphrepräsentationen zu lernen. Wir verwenden die Metapfadstruktur, um Verbindungen mit Semantik in heterogenen Graphen zu analysieren, und nutzen Moduln der Graphfaltung sowie Mechanismen semantischer Aufmerksamkeit, um lokale Repräsentationen zu erfassen. Durch die Maximierung lokaler-globaler gegenseitiger Information lernt HDGI effektiv hochwertige Knotenrepräsentationen, die in nachgelagerten graphbasierten Aufgaben eingesetzt werden können. Experimentelle Ergebnisse zeigen, dass HDGI erheblich bessere Leistungen als aktuelle unüberwachte Methoden zur Lernung von Graphrepräsentationen auf den Aufgaben der Klassifikation und des Clusterns erzielt. Indem wir die gelernten Repräsentationen in ein parametrisches Modell wie die logistische Regression einspeisen, erreichen wir sogar vergleichbare Leistungen bei der Klassifikation von Knotenaufgaben im Vergleich zu den besten überwachten End-to-End-GNN-Modellen (Graph Neural Network Models).