Le classement précis des images et des objets multimédias revêt une importance capitale dans de nombreuses tâches de recherche et d’apprentissage. Les méthodes d’apprentissage de variétés ont été largement explorées pour le classement, principalement en raison de leur capacité à prendre en compte la structure globale intrinsèque de la variété. Dans cet article, nous proposons un nouvel algorithme de classement basé sur les hypergraphes, spécifiquement conçu pour les tâches non supervisées de recherche multimédia. Contrairement aux approches traditionnelles basées sur les graphes, qui ne modélisent que des relations binaires entre paires d’objets, les hypergraphes permettent de représenter des relations de similarité complexes au sein d’un ensemble d’objets. La méthode proposée utilise les hyperarêtes pour construire une représentation contextuelle des échantillons de données, et exploite l’information encodée afin d’obtenir une fonction de similarité plus efficace. Une évaluation expérimentale approfondie a été menée sur neuf jeux de données publics couvrant divers scénarios de recherche et différents types de contenus multimédias. Les résultats expérimentaux démontrent que des gains significatifs en efficacité sont obtenus par rapport aux méthodes de pointe actuelles.