Dans cette étude, nous proposons une nouvelle architecture de réseau neuronal multicouche nommée ONCF pour réaliser un filtrage collaboratif. L'idée est d'utiliser un produit externe pour modéliser explicitement les corrélations par paires entre les dimensions de l'espace d'embedding. Contrairement aux modèles de recommandation neuronaux existants qui combinent l'embedding utilisateur et l'embedding élément via une concaténation simple ou un produit élément par élément, notre proposition d'utiliser le produit externe au-dessus de la couche d'embedding aboutit à une carte d'interaction bidimensionnelle plus expressive et sémantiquement plausible. Au-dessus de la carte d'interaction obtenue par le produit externe, nous proposons d'utiliser un réseau neuronal convolutif pour apprendre des corrélations d'ordre supérieur entre les dimensions de l'espace d'embedding. Des expériences approfondies sur deux jeux de données publics de feedback implicite démontrent l'efficacité de notre cadre ONCF proposé, en particulier l'effet positif de l'utilisation du produit externe pour modéliser les corrélations entre les dimensions d'embedding au niveau inférieur du modèle neuronal multicouche de recommandation. Les codes expérimentaux sont disponibles à l'adresse suivante : https://github.com/duxy-me/ConvNCF