La filtration collaborative (CF) est un problème classique des systèmes de recommandation. De nombreuses méthodes novatrices ont été proposées, allant de la factorisation matricielle classique aux approches récentes basées sur les réseaux de convolution sur graphe (GCN). Après des débats récents, les chercheurs se sont progressivement concentrés sur les réseaux de convolution sur graphe linéaires (GCN linéaires) combinés par couches, qui atteignent des performances d'accuracy de pointe sur de nombreux jeux de données. Dans ce travail, nous étendons ces approches en nous appuyant sur les équations différentielles ordinaires neuronales (NODE), car le concept de GCN linéaire peut être interprété comme une équation différentielle, et proposons une méthode appelée Learnable-Time ODE-based Collaborative Filtering (LT-OCF). La principale originalité de notre méthode réside dans le fait que, après avoir redessiné les GCN linéaires dans le cadre des NODE : i) nous apprenons l'architecture optimale au lieu de nous appuyer sur des architectures manuellement conçues ; ii) nous apprenons des solutions d'ODE lisses, jugées adaptées à la CF ; iii) nous testons divers solveurs d'ODE capables d'implémenter internement des ensembles variés de connexions neuronales. Nous présentons également une nouvelle méthode d'entraînement spécifiquement conçue pour notre approche. Dans nos expérimentations sur trois jeux de données de référence — Gowalla, Yelp2018 et Amazon-Book — notre méthode obtient systématiquement une meilleure précision que les méthodes existantes : par exemple, un rappel de 0,0411 pour LightGCN contre 0,0442 pour LT-OCF, ainsi qu’un NDCG de 0,0315 pour LightGCN contre 0,0341 pour LT-OCF sur Amazon-Book. Une découverte importante, également à souligner, est que la meilleure précision a été atteinte avec des connexions denses, plutôt que linéaires.