Graph Neural Networks (GNNs) wurden in zahlreichen realweltlichen Anwendungen intensiv untersucht. Allerdings beschränkt die Homophilie-Annahme der Aggregationsfunktion von GNNs ihre Fähigkeit zur Repräsentationslernung in Heterophilie-Graphen. In diesem Artikel beleuchten wir Pfad-Level-Muster in Graphen, die reiche semantische und strukturelle Information explizit widerspiegeln. Darauf aufbauend stellen wir ein neuartiges, strukturbewusstes Pfadaggregations-Graph Neural Network (PathNet) vor, das darauf abzielt, GNNs sowohl für Homophilie- als auch für Heterophilie-Graphen zu generalisieren. Konkret führen wir zunächst einen maximalen Entropie-Pfad-Sampler ein, der uns ermöglicht, eine Reihe von Pfaden mit strukturellem Kontext zu samplingen. Anschließend integrieren wir eine strukturbewusste rekurrente Zelle, die aus ordnungserhaltenden und abstandsbewussten Komponenten besteht, um die semantische Information der Nachbarschaften zu lernen. Schließlich modellieren wir die Präferenz verschiedener Pfade gegenüber dem Zielknoten nach der Pfaddokumentation. Experimentelle Ergebnisse zeigen, dass unser Modell signifikante Verbesserungen bei der Knotenklassifikation sowohl in Heterophilie- als auch in Homophilie-Graphen erzielt.