Les réseaux sociaux ont été utilisés comme objet d'étude dans de nombreux domaines tels que la sociologie, l'épidémiologie ou encore le marketing viral. Ainsi, il est possible en analysant certaines propriétés structurelles d'un graphe social, telles que le degré des nœuds ou encore le diamètre du graphe, d'en déduire des informations sur la dynamique des individus qui composent ce graphe. Néanmoins, publier directement un graphe social en enlevant simplement le nom des personnes qui ont contribué à ce graphe soulève d'importants problèmes de vie privée. En particulier, certaines attaques par inférence sur le graphe publié peuvent conduire à dé-anonymiser certains nœuds, apprendre l'existence d'une relation sociale entre deux nœuds ou encore à utiliser la structure du graphe elle-même pour déduire la valeur de certains attributs sensibles. Une des manière d'anonymiser un graphe consiste à généraliser certains groupes de nœuds en un super-nœud et plusieurs liens en un méta-lien. Cependant, cette méthode d'anonymisation peut avoir un impact important sur l'utilité résultante qui peut être extraite du graphe généralisé. Dans ce travail de recherche, nous proposons de développer une technique d'anonymisation de graphe social guidée par l'utilité qui cherche à atteindre un équilibre entre les garanties offertes en terme de vie privée et l'utilité résultante du graphe généralisé.