Nous considérons une famille de problèmes qui portent sur la réalisation de prédictions pour la majorité des échantillons de données non étiquetés, structurés en graphe, à partir d'une petite proportion d'échantillons étiquetés. Les informations relationnelles entre les échantillons de données, souvent codées dans la structure du graphe/réseau, ont été démontrées comme étant utiles pour ces tâches d'apprentissage semi-supervisé. Cependant, les méthodes traditionnelles de régularisation basée sur les graphes et les réseaux neuronaux graphiques récents ne tirent pas pleinement parti des interrelations entre les caractéristiques (features), le graphe et les étiquettes. Dans ce travail, nous proposons un cadre génératif flexible pour l'apprentissage semi-supervisé basé sur les graphes, qui aborde la distribution conjointe des caractéristiques des nœuds, des étiquettes et de la structure du graphe. En empruntant des idées aux modèles de graphes aléatoires dans la littérature scientifique sur les réseaux, cette distribution conjointe peut être instanciée à l'aide de diverses familles de distributions. Pour l'inférence des étiquettes manquantes, nous exploitons les avancées récentes en matière de techniques d'inférence variationnelle évolutives pour approximer la postérieure bayésienne. Nous menons des expériences approfondies sur des jeux de données de référence pour l'apprentissage semi-supervisé basé sur les graphes. Les résultats montrent que les méthodes proposées surpassent les modèles de pointe dans la plupart des configurations.