La prédiction du taux de clics (CTR) visant à estimer la probabilité que l'utilisateur clique sur une publicité est devenue l'une des tâches centrales dans les systèmes publicitaires. Pour un modèle de prédiction CTR, il est essentiel de capturer l'intérêt latent derrière les données de comportement utilisateur. De plus, en tenant compte des changements de l'environnement externe et de la cognition interne, l'intérêt de l'utilisateur évolue dynamiquement au fil du temps. Bien qu'il existe plusieurs méthodes de prédiction CTR pour le modélisation des intérêts, la plupart d'entre elles considèrent directement la représentation du comportement comme l'intérêt, sans modéliser spécifiquement l'intérêt latent derrière le comportement concret. De plus, peu de travaux prennent en compte la tendance évolutionnelle des intérêts. Dans cet article, nous proposons un nouveau modèle appelé Réseau Profond d'Évolution des Intérêts (Deep Interest Evolution Network~(DIEN)) pour la prédiction CTR. Plus précisément, nous avons conçu une couche d'extraction des intérêts pour capturer les intérêts temporels à partir de la séquence historique des comportements. À cette couche, nous introduisons une perte auxiliaire pour superviser l'extraction des intérêts à chaque étape. Étant donné que les intérêts des utilisateurs sont diversifiés, particulièrement dans le système e-commerce, nous proposons une couche d'évolution des intérêts pour capturer le processus d'évolution des intérêts en relation avec l'élément cible. À la couche d'évolution des intérêts, le mécanisme d'attention est intégré de manière novatrice dans la structure séquentielle, renforçant ainsi les effets des intérêts relatifs pendant leur évolution. Les expériences menées sur des jeux de données publics et industriels montrent que DIEN surpasse significativement les solutions les plus avancées actuellement disponibles. Il convient également de noter que DIEN a été déployé dans le système de publicités affichées de Taobao, améliorant le CTR de 20,7%.