Nous présentons une approche évolutrice pour l'apprentissage semi-supervisé sur des données structurées en graphe, basée sur une variante efficace des réseaux de neurones convolutifs qui opèrent directement sur les graphes. Nous justifions le choix de notre architecture convolutive par une approximation locale du premier ordre des convolutions spectrales de graphe. Notre modèle évolue linéairement en fonction du nombre d'arêtes du graphe et apprend des représentations de couches cachées qui codent à la fois la structure locale du graphe et les caractéristiques des nœuds. Dans plusieurs expériences menées sur des réseaux de citations et sur un ensemble de données de graphe de connaissances, nous démontrons que notre approche surpasser significativement les méthodes connexes.