Nous proposons un système de résumé multi-document neuronal (MDS) qui intègre des graphes de relations entre les phrases. Nous utilisons un réseau de neurones convolutionnels sur graphe (GCN) sur ces graphes de relations, avec des plongements de phrases obtenus à partir de réseaux de neurones récurrents comme caractéristiques des nœuds d'entrée. Grâce à plusieurs propagations couche par couche, le GCN génère des caractéristiques de phrase cachées de haut niveau pour l'estimation du salience. Nous utilisons ensuite une heuristique gloutonne pour extraire les phrases salientes tout en évitant la redondance. Dans nos expériences sur DUC 2004, nous considérons trois types de graphes de relations entre les phrases et démontrons l'avantage d'une combinaison des relations entre les phrases dans les graphes avec la puissance représentative des réseaux de neurones profonds. Notre modèle améliore les approches traditionnelles basées sur les graphes pour l'extraction et le modèle séquentiel GRU simple sans graphe, et il obtient des résultats compétitifs par rapport aux autres systèmes avancés de résumé multi-document.Note : - "Neural Multi-Document Summarization" est traduit par "résumé multi-document neuronal" (MDS).- "Graph Convolutional Network" est traduit par "réseau de neurones convolutionnels sur graphe" (GCN).- "Sentence embeddings" est traduit par "plongements de phrases".- "Salience estimation" est traduit par "estimation du salience".- "Greedy heuristic" est traduit par "heuristique gloutonne".- "DUC 2004" reste inchangé car c'est un nom propre.- "GRU sequence model" est traduit par "modèle séquentiel GRU".