Nous considérons le problème de l’étiquetage de noeuds dans un multi-graphe - ou graphe multi-relationnel - dans lequel les noeuds peuvent être connectés simultanément par différents types de relations. De nombreux problèmes se modélisent ainsi, comme par exemple les réseaux sociaux ou bien les bases de données bibliographiques. Les relations peuvent être explicites (par exemple amitié dans un réseau social) ou bien implicite (par exemple des similarités de contenu calculées sur les données). Nous proposons ici un algorithme ’apprentissage permettant d’exploiter l’information multi-relationnelle pour la tâche d’étiquetage automatique. Cette méthode est capable d’apprendre à combiner de manière optimale l’influence des différents types de relations sur la propagation des étiquettes entre les noeuds du graphe. Nous décrivons des expériences sur quatre corpus qui montrent la capacité du modèle à tirer parti de l’information multi-relationnelle pour des tâches d’étiquetage complexes.