La conception de modèles de graphes profonds reste un domaine à explorer, et l'aspect crucial réside dans la manière d'exploiter efficacement les connaissances provenant des différents niveaux de voisins. Dans cet article, nous proposons une nouvelle architecture de réseau neuronal graphique profond inspirée des RNN, en intégrant AdaBoost au calcul du réseau. Le réseau de convolution graphique proposé, appelé AdaGCN (AdaBoosting Graph Convolutional Network), est capable d'extraire efficacement les connaissances des voisins d'ordre supérieur des nœuds actuels et d'intégrer ces connaissances provenant des différents niveaux de voisins au réseau selon une méthode AdaBoost. Contrairement aux autres réseaux neuronaux graphiques qui empilent directement plusieurs couches de convolution graphique, AdaGCN partage la même architecture de réseau neuronal de base pour toutes les « couches » et est optimisé de manière récursive, ce qui ressemble à un RNN. De plus, nous avons établi théoriquement le lien entre AdaGCN et les méthodes existantes de convolution graphique, mettant en lumière les avantages de notre proposition. Enfin, des expériences approfondies démontrent une performance prédictive constamment à la pointe sur les graphes pour différentes taux d'étiquetage ainsi que l'avantage computationnel de notre approche AdaGCN~\footnote{Le code est disponible à l'adresse \url{https://github.com/datake/AdaGCN}.}