이질 그래프 신경망(HGNNs)은 이질 그래프의 풍부한 구조적 및 의미론적 정보를 노드 표현으로 임베딩하는 데 강력한 능력을 가지고 있습니다. 기존의 HGNNs는 동질 그래프용 그래프 신경망(GNNs)에서 많은 메커니즘을 계승하고 있으며, 특히 어텐션 메커니즘과 다중 층 구조를 포함합니다. 이러한 메커니즘은 과도한 복잡성을 가져오지만, 이들이 실제로 이질 그래프에서 효과적인지에 대한 연구는 거의 이루어지지 않았습니다. 본 논문에서는 이러한 메커니즘에 대해 심층적이고 상세한 연구를 수행하고, 간단하면서도 효율적인 이질 그래프 신경망(Simple and Efficient Heterogeneous Graph Neural Network, SeHGNN)을 제안합니다.구조적 정보를 쉽게 포착하기 위해 SeHGNN는 가벼운 평균 애그리게이터(mean aggregator)를 사용하여 이웃 집계를 사전 계산합니다. 이를 통해 과도하게 사용되는 이웃 어텐션을 제거하고 매 학습 에폭마다 반복되는 이웃 집계를 피함으로써 복잡성을 줄입니다. 의미론적 정보를 더 잘 활용하기 위해 SeHGNN는 긴 메타패스(long metapaths)로 수용 영역(receptive field)을 확장하는 단일 층 구조(single-layer structure)와 다양한 메타패스로부터 특징을 융합하는 트랜스포머 기반 의미론적 융합 모듈(transformer-based semantic fusion module)을 채택합니다.결과적으로, SeHGNN는 간단한 네트워크 구조, 높은 예측 정확도, 그리고 빠른 학습 속도의 특성을 보여줍니다. 5개의 실제 이질 그래프에 대한 광범위한 실험 결과는 SeHGNN가 정확도와 학습 속도 면에서 최신 기술(state-of-the-arts)보다 우수함을 입증하였습니다.