Les données structurées en graphe apparaissent fréquemment dans des domaines tels que la chimie, la sémantique du langage naturel, les réseaux sociaux et les bases de connaissances. Dans ce travail, nous étudions des techniques d'apprentissage de caractéristiques pour des entrées structurées en graphe. Notre point de départ est un travail antérieur sur les réseaux de neurones sur graphe (Scarselli et al., 2009), que nous modifions en intégrant des unités récurrentes à portes (gated recurrent units) ainsi que des techniques d'optimisation modernes, puis étendons à la génération de séquences. Le résultat est une classe souple et largement applicable de modèles de réseaux de neurones, qui présente des biais inductifs favorables par rapport aux modèles purement basés sur des séquences (par exemple, les LSTM) dans les problèmes de nature graphique. Nous démontrons ses capacités sur quelques tâches simples d'intelligence artificielle (bAbI) et d'apprentissage d'algorithmes sur graphe. Nous montrons ensuite qu'il atteint des performances de pointe sur un problème issu de la vérification de programmes, dans lequel il est nécessaire de faire correspondre des sous-graphes à des structures de données abstraites.