Esta dissertação de mestrado investiga a efetividade de generalizações de medidas de informação para aprendizado em grafos. Para delimitar o escopo de pesquisa, a função de custo do variational graph autoeconders proposto por Kipf and Welling (2016b) foi modificada por meio da incorporação de generalizações de medidas de divergência. Dessa maneira, as principais contribuições deste trabalho são: (i) κappa-divergências - uma representação unificada para generalizações de medidas de divergência; (ii) duas novas famílias de divergências, delta e eta; e (iii) o desenvolvimento do generalized variational graph autoencoders (GGVA), um arcabouço de variational graph autoencoders baseado em κ-divergências. Os experimentos realizados em tarefas de aprendizado em grafos, utilizando cinco conjuntos de dados de redes de citação e um conjunto de dados para a rede de distribuição de energia elétrica do Brasil, indicam que o GGVA supera os modelos de referência em dois tipos de tarefas: classificação de nós e previsão de relacionamentos, considerando tempo de execução e precisão média. Os resultados qualitativos para os embeddings treinados do GGVA indicam uma capacidade satisfatória para distinguir classes.