Nous présentons un cadre d'apprentissage semi-supervisé basé sur les plongements de graphe (graph embeddings). Étant donné un graphe entre les instances, nous formons un plongement pour chaque instance afin de prédire conjointement l'étiquette de classe et le contexte voisinage dans le graphe. Nous développons à la fois des variantes transductives et inductives de notre méthode. Dans la variante transductive de notre méthode, les étiquettes de classe sont déterminées par les plongements appris et les vecteurs de caractéristiques en entrée, tandis que dans la variante inductive, les plongements sont définis comme une fonction paramétrique des vecteurs de caractéristiques, permettant ainsi des prédictions sur des instances non observées lors de l'entraînement. Sur un ensemble large et diversifié de tâches de référence, incluant la classification de texte, l'extraction d'entités supervisée à distance et la classification d'entités, nous montrons une amélioration des performances par rapport à nombre des modèles existants.