Le feedback de pseudo-pertinence (PRF) est couramment utilisé pour améliorer les performances des modèles traditionnels de recherche d'information (IR) en utilisant les documents classés en tête pour identifier et pondérer de nouveaux termes de requête, réduisant ainsi l'effet des incompatibilités lexicales entre la requête et le document. Bien que les modèles de récupération neuronale aient récemment montré des résultats solides pour la récupération ad hoc, leur combinaison avec le PRF n'est pas simple en raison des incompatibilités entre les approches PRF existantes et les architectures neuronales. Pour combler cette lacune, nous proposons un cadre PRF neuronal intégré qui peut être utilisé avec les modèles IR neuronaux existants en intégrant différents modèles neuronaux comme éléments constitutifs. Des expériences approfondies sur deux collections de tests standard confirment l'efficacité du cadre NPRF proposé dans l'amélioration des performances de deux modèles IR neuronaux de pointe.