L'apprentissage de représentations de graphes vise à apprendre des représentations universelles de nœuds qui préservent à la fois les attributs des nœuds et les informations structurelles. Les représentations de nœuds ainsi obtenues peuvent être utilisées pour diverses tâches en aval, telles que la classification de nœuds et le regroupement de nœuds. Lorsqu'un graphe est hétérogène, le problème devient plus complexe que celui de l'apprentissage des nœuds dans un graphe homogène. Inspirés par les récentes avancées en apprentissage basé sur la théorie de l'information, nous proposons dans cet article un réseau neuronal graphique non supervisé appelé Heterogeneous Deep Graph Infomax (HDGI) pour l'apprentissage de représentations de graphes hétérogènes. Nous utilisons la structure des méta-chemins pour analyser les connexions impliquant des sémantiques dans les graphes hétérogènes et mettons en œuvre un module de convolution graphique et un mécanisme d'attention au niveau sémantique pour capturer des représentations locales. En maximisant l'information mutuelle locale-globale, HDGI apprend efficacement des représentations nodales de haut niveau qui peuvent être utilisées dans des tâches liées aux graphes en aval. Les résultats expérimentaux montrent que HDGI surpasse considérablement les méthodes actuelles d'apprentissage non supervisé de représentations de graphes, tant pour les tâches de classification que pour celles de regroupement. En alimentant ces représentations apprises dans un modèle paramétrique, comme une régression logistique, nous obtenons même des performances comparables à celles des modèles GNN supervisés bout à bout les plus avancés dans les tâches de classification de nœuds.