La prédiction du taux de clic (CTR) constitue une tâche essentielle dans les applications web telles que la publicité en ligne et les systèmes de recommandation, dont les caractéristiques sont généralement de nature multi-champs. L’enjeu central de cette tâche réside dans la modélisation des interactions entre caractéristiques provenant de différents champs. Les modèles basés sur l’apprentissage profond récemment proposés suivent un paradigme général : les caractéristiques brutes, rares et multi-champs, sont d’abord projetées en vecteurs d’embeddings denses par champ, puis simplement concaténées afin d’être alimentées dans des réseaux neuronaux profonds (DNN) ou d’autres architectures spécifiquement conçues, afin d’apprendre des interactions de haut ordre entre caractéristiques. Toutefois, la combinaison simple et non structurée des champs de caractéristiques limite inévitablement la capacité à modéliser de manière suffisamment flexible et explicite des interactions complexes entre les différents champs.Dans ce travail, nous proposons de représenter les caractéristiques multi-champs sous une forme graphique de manière intuitive, où chaque nœud correspond à un champ de caractéristiques et où les interactions entre champs s’effectuent à travers des arêtes. Ainsi, la tâche de modélisation des interactions entre caractéristiques se transforme en une tâche de modélisation des interactions entre nœuds sur le graphe correspondant. À cette fin, nous avons conçu un nouveau modèle appelé Feature Interaction Graph Neural Networks (Fi-GNN). Grâce à la puissante capacité expressive des graphes, notre modèle permet non seulement de modéliser de manière flexible et explicite des interactions complexes entre caractéristiques, mais offre également des explications de modèle de qualité pour la prédiction du CTR. Les résultats expérimentaux sur deux jeux de données réels démontrent l’avantage de Fi-GNN par rapport aux méthodes de pointe actuelles.