La classification de texte est l'une des tâches fondamentales du traitement automatique des langues naturelles. Récemment, les réseaux neuronaux profonds ont obtenu des performances prometteuses dans la tâche de classification de texte, en comparaison avec les modèles peu profonds. Malgré l'importance des modèles profonds, ils négligent les indices de classification à grain fin (signaux d'appariement entre mots et classes) car leurs classifications reposent principalement sur les représentations au niveau du texte. Pour résoudre ce problème, nous introduisons un mécanisme d'interaction permettant d'intégrer les signaux d'appariement au niveau des mots dans la tâche de classification de texte. Plus précisément, nous concevons un cadre novateur, le Modèle d'Interaction EXplicite (appelé EXAM), doté de ce mécanisme d'interaction. Nous avons validé notre approche proposée sur plusieurs jeux de données de référence, incluant à la fois des tâches de classification de texte multi-étiquettes et multi-classes. Les résultats expérimentaux approfondis démontrent la supériorité de la méthode proposée. En outre, nous avons rendu disponibles les codes et les paramètres pour faciliter les recherches futures.