Les événements du monde réel présentent un degré élevé d’interdépendance et de connectivité, et les points de données qu’ils génèrent héritent donc de ces liens. Toutefois, la majorité des techniques d’intelligence artificielle (IA) et d’apprentissage automatique (ML) ignorent ces interconnexions entre les points de données. La récente montée d’intérêt pour les approches d’IA/ML basées sur les graphes vise précisément à exploiter ces liens. Les algorithmes d’apprentissage basés sur les graphes exploitent efficacement les données et les informations associées afin de construire des modèles performants. L’apprentissage neuronal sur graphes (Neural Graph Learning, NGL) est une telle technique qui combine un algorithme d’apprentissage automatique classique avec une fonction de perte modifiée afin d’exploiter les arêtes structurelles du graphe. Dans cet article, nous proposons un modèle fondé sur la NGL – appelé NodeNet – pour résoudre la tâche de classification des nœuds dans des graphes de références bibliographiques. Nous détaillons nos modifications et en justifions la pertinence par rapport à la tâche. Nous comparons également nos résultats aux états de l’art actuels et analysons les raisons de la supériorité de NodeNet.