Les Réseaux de Convolution Graphique (Graph Convolutional Networks, GCNs) ont montré des améliorations significatives dans l'apprentissage semi-supervisé sur des données structurées en graphe. Parallèlement, l'apprentissage non supervisé des plongements de graphe (graph embeddings) a bénéficié de l'information contenue dans les marches aléatoires (random walks). Dans cet article, nous proposons un modèle : Réseau de GCNs (Network of GCNs, N-GCN), qui combine ces deux approches. Au cœur de ce modèle, N-GCN entraîne plusieurs instances de GCNs sur des paires de nœuds découvertes à différentes distances lors des marches aléatoires, et apprend une combinaison des sorties d'instances qui optimise l'objectif de classification. Nos expériences montrent que notre modèle N-GCN proposé améliore les méthodes de référence actuelles sur toutes les tâches de classification de nœuds que nous considérons comme difficiles : Cora, Citeseer, Pubmed et PPI. De plus, notre méthode proposée présente d'autres propriétés souhaitables, notamment sa généralisation aux méthodes d'apprentissage semi-supervisé récemment proposées telles que GraphSAGE, ce qui nous permet de proposer N-SAGE, ainsi que sa résilience aux perturbations adverses des entrées.