MF2Vec est un modèle proposé pour surmonter les limites des réseaux de neurones graphes hétérogènes (HGNN) existants, qui reposent sur des métachemins prédéfinis et spécifiques à un domaine. Alors que les méthodes existantes se concentrent uniquement sur des aspects simples comme les types de nœuds, MF2Vec extrait des chemins fins par des parcours aléatoires, ignorant ainsi les schémas prédéfinis et apprenant divers aspects des nœuds et des relations. Les vecteurs multifacettes ainsi obtenus forment des réseaux homogènes et génèrent des plongements de nœuds, qui sont ensuite utilisés pour diverses tâches telles que la classification, la prédiction de liens et le clustering. Les résultats expérimentaux démontrent que MF2Vec surpasse les méthodes existantes et offre un cadre plus flexible et plus complet pour l'analyse de réseaux complexes.
