De nombreux graphes ou réseaux du monde réel sont intrinsèquement hétérogènes, impliquant une diversité de types de nœuds et de types de relations. L’embedding de graphe hétérogène consiste à représenter de manière dense, dans un espace de faible dimension, les informations structurelles et sémantiques riches contenues dans un graphe hétérogène. Les modèles existants définissent généralement plusieurs méta-chemins dans un graphe hétérogène afin de capturer les relations composées et d’orienter la sélection des voisins. Toutefois, ces modèles présentent souvent trois limites : ils négligent les caractéristiques sémantiques des nœuds, éliminent les nœuds intermédiaires le long des méta-chemins, ou ne prennent en compte qu’un seul méta-chemin. Pour surmonter ces trois défauts, nous proposons un nouveau modèle nommé Metapath Aggregated Graph Neural Network (MAGNN), visant à améliorer les performances finales. Plus précisément, MAGNN repose sur trois composants principaux : la transformation des contenus des nœuds, permettant d’intégrer les attributs d’entrée des nœuds ; l’agrégation intra-méta-chemin, qui incorpore les nœuds sémantiques intermédiaires ; et l’agrégation inter-méta-chemin, qui combine les messages provenant de plusieurs méta-chemins. Des expérimentations étendues sur trois jeux de données réels de graphes hétérogènes, pour les tâches de classification de nœuds, de regroupement de nœuds et de prédiction de liens, montrent que MAGNN obtient des résultats de prédiction plus précis que les états de l’art actuels.