Les réseaux multicouches sont un modèle largement utilisé, conçu pour fournir une représentation plus réaliste des relations hétérogènes qui peuvent caractériser un système complexe. Néanmoins, la prise en compte de ces informations complexes est un défi majeur du fait du bruit contenu dans les données et du choix des entités et des relations à tenir en compte dans l'analyse. Pour cette raison, des techniques de simplification multicouches ont été proposées afin des sélectionner les informations importantes, améliorer les temps de calculs et la qualité de l'analyse ainsi que la visualisation des informations contenues dans ces réseaux multicouches. Néanmoins, ces techniques sont agnostiques et reposent sur des heuristiques non supervisées. Dans ce travail, nous proposons un cadre pour simplifier des réseaux multicouches en fonction de la tâche d'analyse finale. Nous nous appuyons sur deux composants principaux : i) un module de simplification des relations entre noeuds et ii) un réseau neuronal à graphe (multicouche) pour générer des plongements de nœuds dans le but de résoudre une tâche spécifique. Ici, nous nous attaquons à la tâche de classification des nœuds mais la méthode est directement transposable à d'autres tâches (supervisées) d'analyse de réseaux multicouches. Les résultats expérimentaux sur différents réseaux multicouches réel prouvent l'importance de notre approche qui fournit une simplification adaptée à la tâche de classification des nœuds.