En classification multi-labels, chaque instance est associée à un ou plusieurs labels. Par exemple, un morceau de musique peut être associé aux labels 'heureux' et 'relaxant'. Des relations de co-occurrence peuvent exister entre les labels : par exemple, les labels 'heureux' et 'triste' ne peuvent pas être associés au même morceau de musique. Les labels peuvent aussi avoir des relations de préférence : par exemple, pour un morceau de musique contenant plusieurs piques, le label 'heureux' est préféré par rapport au label 'relaxant'. Les relations entre les labels peuvent aider à mieux prédire les labels associés aux instances. Les approches existantes peuvent apprendre soit les relations de co-occurrence, soit les relations de préférence. Ce travail introduit une approche permettant de combiner l'apprentissage des deux types de relations. Les expérimentations menées montrent que la nouvelle approche introduite offre les meilleurs résultats de prédiction par rapports à cinq approches de l'état de l'art.