异质图神经网络（HGNNs）具有强大的能力，可以将异质图中的丰富结构和语义信息嵌入节点表示中。现有的HGNNs继承了许多来自同质图上的图神经网络（GNNs）的机制，特别是注意力机制和多层结构。这些机制带来了过高的复杂性，但很少有研究探讨它们在异质图上是否真正有效。本文对这些机制进行了深入而详细的研究，并提出了简单高效的异质图神经网络（SeHGNN）。为了轻松捕获结构信息，SeHGNN预先使用轻量级均值聚合器计算邻居聚合，通过去除过度使用的邻居注意力机制和避免每个训练周期重复进行邻居聚合来降低复杂性。为了更好地利用语义信息，SeHGNN采用了单层结构并使用长元路径扩展感受野，同时引入了一个基于Transformer的语义融合模块来融合不同元路径的特征。因此，SeHGNN表现出简单的网络结构、高预测精度和快速的训练速度的特点。在五个真实世界异质图上的广泛实验表明，SeHGNN在准确性和训练速度方面优于现有最先进方法。