Les graphes constituent une abstraction fondamentale pour la modélisation de données relationnelles. Cependant, les graphes sont par nature discrets et combinatoires, ce qui pose des défis statistiques et computationnels pour l'apprentissage de représentations adaptées aux tâches d'apprentissage automatique. Dans cette étude, nous proposons Graphite, un cadre algorithmique pour l'apprentissage non supervisé de représentations sur les nœuds dans de grands graphes en utilisant des modèles génératifs à variables latentes profondes. Notre modèle paramètre les auto-encodeurs variationnels (VAE) avec des réseaux neuronaux sur graphes et utilise une stratégie novatrice d'affinement itératif des graphes inspirée par les approximations de rang faible pour le décodage. Sur une large gamme de jeux de données synthétiques et de référence, Graphite surpassent les approches concurrentes pour les tâches d'estimation de densité, prédiction de liens et classification de nœuds. Enfin, nous établissons une connexion théorique entre la propagation des messages dans les réseaux neuronaux sur graphes et l'inférence variationnelle à champ moyen.