L'augmentation des capacités de stockage et des données collectées a entraîné un accroissement des jeux de données disponibles. Par conséquent, l'utilisation des réseaux pour modéliser les relations entre différents objets, appelés des nœuds s'est accrue. Ces réseaux pouvant compter un très grand nombre de nœuds, l'information qu'ils contiennent doit-être résumée, le plus souvent à l'aide de méthodes de clustering de nœuds. Afin de rendre les résultats interprétables, une visualisation pertinente du réseau est également requise. Pour ce faire, nous proposons une nouvelle méthodologie appelée Deep-LPBM, permettant d'obtenir simultanément un clustering des nœuds basé sur une approche par bloc, plus générale que la détection de communautés, ainsi qu'une représentation continue des nœuds dans un espace latent. Deep-LPBM utilise une stratégie d'auto encodeur variationnel, s'appuyant sur un réseau de convolution de graph, avec un décodeur adapté. L'inférence repose sur la vraisemblance marginale du modèle, et l'optimisation alterne entre des équations analytiques ainsi qu'une descente de gradient stochastique. Ce travail étant en cours, des expériences sur données simulées ainsi que sur données réelles seront fournies si le papier est acceptée pour une présentation orale.