La qualité des contenus sur les plateformes collaboratives est très hétérogène. Dans la littérature scientifique, les algorithmes d'analyse structurelle appliqués à la tâche de détection de contenu de qualité reposent généralement sur des graphes définis à partir d'un seul type de noeuds et de relations. Pourtant les graphes sur lesquels reposent ces récentes plateformes présentent de nombreuses sémantiques de noeuds et relations différentes, e.g., producteurs/consommateurs, questions/réponses, etc. Ces solutions souffrent d'un manque de généricité et ne peuvent s'adapter facilement à l'évolution des plateformes. Nous proposons une modélisation générique de ces platformes par les graphes hétérogènes pouvant intégrer automatiquement de nouvelles sémantiques de noeuds et de relations. Un algorithme de prédiction de qualité des contenus reposant sur ce modèle est proposé. Nous montrons qu'il généralise plusieurs travaux de la littérature. Enfin, en intégrant certaines relations inter-utilisateurs, nous montrons que notre solution, évaluée sur Wikipedia et Stack Exchange, améliore la tâche de détection de contenu de qualité.