Les graphes sont des structures de données puissantes qui peuvent représenter des relations et des interactions complexes entre des entités. Par conséquent, l'apprentissage de représentation des graphes a suscité une attention considérable ces dernières années en raison de son potentiel à permettre des prédictions, des recommandations et des prises de décision plus précises dans une variété de domaines. L'un des principaux avantages de l'apprentissage de la représentation de graphes est sa capacité à capturer les informations structurelles locales et globales ainsi que les informations sémantiques dans les graphes. Cela permet une meilleure modélisation des interactions complexes et des dépendances entre les entités, ce qui peut être particulièrement utile dans plusieurs domaines tels que l'analyse des réseaux sociaux, les systèmes de recommandation et la classification de textes.  Cependant, l'apprentissage de représentation des graphes pose également plusieurs défis, notamment en matière de passage à l'échelle et d'explicabilité.  Plusieurs techniques d'apprentissage de représentation de graphes ont été proposées dans la littérature, notamment des méthodes basées sur la marche aléatoire et d’autres sont basées sur le réseau de neurones sur graphes. Dans ce séminaire, je présenterai dans un premier temps les opportunités et les défis des méthodes de réseau de neurones sur graphes sur lesquelles je travaille actuellement, et dans un second temps, je présenterai mes travaux de recherche en cours sur les réseaux de neurones sur graphes.