L'apprentissage des représentations de graphes est d'une importance capitale pour une variété de tâches d'analyse de graphes, allant de la classification de nœuds à la détection de communautés. Récemment, les réseaux de convolution de graphes (GCN) ont été efficacement appliqués à l'apprentissage des représentations de graphes. Ces GCN génèrent des représentations de nœuds en agrégant les caractéristiques provenant des voisins, selon un schéma dit d'« agrégation de voisinage ». Malgré leurs performances prometteuses sur diverses tâches, les modèles basés sur les GCN peinent à capturer efficacement la non-linéarité complexe des données de graphe. Dans cet article, nous prouvons d'abord théoriquement que les coefficients des termes d'interaction entre voisins sont relativement faibles dans les modèles actuels, ce qui explique pourquoi les GCN ne surpassent guère les modèles linéaires. Afin de mieux capturer la non-linéarité complexe des données de graphe, nous proposons un cadre novateur, GraphAIR, qui modélise à la fois l'interaction entre voisins et l'agrégation de voisinage. Des expériences approfondies menées sur des tâches standard, telles que la classification de nœuds et la prédiction de liens, utilisant des jeux de données publics, démontrent l'efficacité du méthode proposée.