Eine große Anzahl realweltlicher Graphen oder Netzwerke ist intrinsisch heterogen und umfasst eine Vielzahl von Knotentypen und Relationstypen. Die Heterogene-Graph-Embedding-Technik dient dazu, reichhaltige strukturelle und semantische Informationen eines heterogenen Graphen in niedrigdimensionale Knotenrepräsentationen zu kodieren. Bestehende Modelle definieren üblicherweise mehrere Metapfade in einem heterogenen Graphen, um zusammengesetzte Relationen zu erfassen und die Nachbarauswahl zu leiten. Allerdings lassen diese Modelle entweder Merkmale der Knoteninhalte unberücksichtigt, ignorieren die Zwischenknoten entlang des Metapfades oder berücksichtigen lediglich einen einzelnen Metapfad. Um diese drei Einschränkungen zu überwinden, schlagen wir ein neues Modell namens Metapath Aggregated Graph Neural Network (MAGNN) vor, um die Endleistung zu steigern. Konkret setzt MAGNN drei Hauptkomponenten ein: die Knoteninhalts-Transformation zur Erfassung der Eingabemerkmale der Knoten, die intra-Metapfad-Aggregation zur Einbeziehung semantisch relevanter Zwischenknoten und die inter-Metapfad-Aggregation zur Kombination von Nachrichten aus mehreren Metapfaden. Umfangreiche Experimente an drei realen heterogenen Graph-Datensätzen für die Knotenklassifikation, Knotenclustering und Link-Vorhersage zeigen, dass MAGNN präzisere Vorhersageergebnisse erzielt als aktuelle State-of-the-Art-Baselines.