Les réseaux neuronaux sur graphes (GNNs) constituent une classe de modèles paramétriques populaire pour l'apprentissage à partir de données structurées en graphe. Des travaux récents ont soutenu que les GNNs utilisent principalement le graphe pour lisser les caractéristiques et ont montré des résultats compétitifs sur des tâches de référence en opérant simplement sur des caractéristiques nodales lissées par le graphe, plutôt qu'en utilisant des hiérarchies de caractéristiques apprises de bout en bout qui sont difficiles à mettre à l'échelle pour les grands graphes. Dans ce travail, nous nous demandons si ces résultats peuvent être étendus aux graphes hétérogènes, qui codent plusieurs types de relations entre différentes entités. Nous proposons la méthode d'« Averaging over Relation Subgraphs » (NARS), qui entraîne un classifieur sur des caractéristiques moyennisées des voisins pour des sous-graphes aléatoirement échantillonnés du « metagraphe » de relations. Nous décrivons des optimisations permettant de calculer ces ensembles de caractéristiques nodales de manière efficace en termes de mémoire, tant lors de l'entraînement que lors de l'inférence. NARS atteint une nouvelle précision record sur plusieurs jeux de données de référence, surpassant des méthodes basées sur les GNNs plus coûteuses.