Les réseaux de neurones graphiques (GNN) ont fait l’objet d’une étude intensive dans diverses tâches du monde réel. Toutefois, l’hypothèse d’homophilie sous-jacente à la fonction d’agrégation des GNN limite leur capacité d’apprentissage de représentations sur les graphes hétérophiles. Dans cet article, nous mettons en évidence les motifs au niveau des chemins dans les graphes, qui peuvent refléter explicitement des informations sémantiques et structurelles riches. Nous proposons donc un nouveau modèle, le Graph Neural Network à Agrégation de Chemins Conscient de la Structure (PathNet), visant à généraliser les GNN pour à la fois les graphes homophiles et hétérophiles. Plus précisément, nous introduisons d’abord un échantillonneur de chemins à entropie maximale, permettant d’extraire un ensemble de chemins porteurs de contexte structurel. Ensuite, nous proposons une cellule récurrente consciente de la structure, composée de composants préservant l’ordre et sensibles à la distance, afin d’apprendre efficacement l’information sémantique des voisinages. Enfin, nous modélisons la préférence de différents chemins par rapport à un nœud cible après encodage des chemins. Les résultats expérimentaux démontrent que notre modèle obtient des améliorations significatives dans la classification de nœuds, tant sur des graphes hétérophiles que homophiles.