Les graphes sont largement utilisés pour représenter les connexions structurelles entre des entités. Dans de nombreux cas, ces relations sont hétérogènes, mais entremêlées et représentées de manière simplifiée par une seule arête entre deux nœuds. Par exemple, dans un graphe de réseau social, des utilisateurs ayant des relations latentes différentes — comme amis ou collègues — sont généralement reliés par une arête simple qui masque ces connexions intrinsèques. Dans cet article, nous introduisons un nouveau réseau de convolution sur graphe (GCN), appelé Factorizable Graph Convolutional Network (FactorGCN), qui permet explicitement de dénouer ces relations entrelacées codées dans un graphe. FactorGCN prend comme entrée un graphe simple, puis le décompose en plusieurs graphes factorisés, chacun représentant une relation latente et déconnectée entre les nœuds. Les caractéristiques des nœuds sont ensuite agrégées séparément dans chaque espace latent factorisé afin de produire des caractéristiques déconnectées, ce qui conduit à de meilleures performances pour les tâches ultérieures. Nous évaluons FactorGCN de manière qualitative et quantitative sur des jeux de données synthétiques et réels, et démontrons qu’il obtient des résultats véritablement prometteurs en termes de déconnexion des relations et d’agrégation des caractéristiques. Le code est disponible publiquement à l’adresse suivante : https://github.com/ihollywhy/FactorGCN.PyTorch.