L’apprentissage des représentations de graphes est devenu fondamental pour l’analyse des données structurées en graphe. Inspirés par les récents succès des méthodes contrastives, nous proposons dans cet article un cadre novateur pour l’apprentissage non supervisé des représentations de graphes, en exploitant une fonction objectif contrastive au niveau des nœuds. Plus précisément, nous générons deux vues du graphe par corruption et apprenons les représentations des nœuds en maximisant l’accord entre les représentations de ces deux vues. Pour offrir des contextes de nœuds diversifiés à l’objectif contrastive, nous proposons une stratégie hybride de génération de vues de graphe à la fois au niveau de la structure et au niveau des attributs. En outre, nous apportons une justification théorique de notre approche à partir de deux perspectives : l’information mutuelle et la perte de triplet classique. Nous menons des expériences empiriques sur des tâches à la fois transductives et inducives, en utilisant diverses bases de données réelles. Les résultats expérimentaux démontrent que, malgré sa simplicité, la méthode proposée surpasse de manière consistante les méthodes de pointe existantes, avec des écarts significatifs. En outre, notre méthode non supervisée dépasse même ses homologues supervisées sur les tâches transductives, illustrant ainsi un grand potentiel pour les applications réelles.