Les réseaux sociaux sont souvent composés de différents types de noeud. Apprendre et inférer sur ces réseaux hétérogènes est une tâche récente. Nous considérons la tâche d'étiquetage de noeuds dans les réseaux sociaux, où différents types de noeud doivent être étiquetés par différents jeux de catégories ou d'étiquettes. Nous proposons une nouvelle approche transductive qui apprend automatiquement à projeter les différents types de noeud dans un espace latent commun, cette représentation apprise étant utilisée ensuite pour classifier les différents éléments. Cette approche exploite l'idée que deux noeuds connectés dans un réseau social tendront à avoir des représentations latentes similaires peu importe leur type. Cette hypothèse nous permet d'apprendre les corrélations entre les catégories de noeuds de type différent, quand les méthodes de l'état de l'art traitent chaque type de noeud indépendamment. Nous avons testé ce modèle sur deux jeux de données et il obtient de bonnes performances.