Fouiller des motifs fréquents dans des graphes spatio-temporels complexes soulève d’importants défis en raison de la multiplicité des types d’arcs, de la prise en compte des dimensions spatiales et temporelles, et de la combinatoire élevée. Les approches classiques, souvent fondées sur une exploration exhaustive, ont du mal à passer à l’échelle lorsqu’il s’agit de graphes volumineux ou aux structures riches. Pour y faire face, nous proposons deux méthodes d’apprentissage profond, Multi-SPMiner et Deep-QMiner. Multi-SPMiner projette simultanément les nœuds et leurs voisinages dans un espace latent tout en préservant la structure des sous-graphes, intégrant des mécanismes d’attention et un ajustement de la fonction de perte pour mieux estimer la fréquence des motifs. Toutefois, elle n’est pas entièrement entraînable de bout en bout et explique difficilement l’absence de certains motifs. Deep-QMiner, en revanche, repose sur un apprentissage par renforcement séquentiel, reformulant la fouille de motifs comme une suite de décisions et offrant un mécanisme de récompense ajustable. Cette approche améliore la traçabilité de la construction des motifs, mais sa performance demeure sensible à la définition du mécanisme de récompense. Comparées aux méthodes traditionnelles, ces deux propositions réduisent sensiblement le temps d’exécution, malgré une légère baisse de précision. Elles ont été validées sur différents types de graphes (multiples, étiquetés, orientés) et pour diverses applications (environnement, textuel, IRMF), démontrant une bonne généralisation, y compris avec un entraînement initial sur des données synthétiques.