Dans ce travail, nous présentons une méthode originale permettant d'agréger différentes sources d'information. Chaque partition est encodée par une matrice de co-appartenance des observations aux classes. Notre approche est fondée sur un mélange de modèles de blocs stochastiques multicouches pour conjointement définir des composantes de sources sur les matrices de co-appartenance similaires et partitionner les observations en différents groupes selon ces composantes.
L'identifiabilité des paramètres du modèle est établie et un algorithme EM variationnel bayésien est proposé pour l'estimation de ces paramètres. Le cadre bayésien permet de sélectionner un nombre optimal de groupes et de composantes.