Les systèmes de recommandation (RS) sont omniprésents dans l’espace numérique. Ce papier propose une approche fondée sur l’apprentissage profond pour relever trois défis pratiques dans les RS : la structure complexe des données à haute dimension, le bruit présent dans les informations relationnelles, ainsi que la nature « boîte noire » des algorithmes d’apprentissage automatique. Notre méthode, le Multi-Graph Graph Attention Network (MG-GAT), apprend des représentations latentes des utilisateurs et des établissements en agrégant une diversité d’informations provenant des voisins de chaque utilisateur (établissement) sur un graphe d’importance des voisins. Le MG-GAT surpasser les modèles d’apprentissage profond de pointe dans la tâche de recommandation, sur deux grands jeux de données issus de Yelp ainsi que sur quatre autres jeux de données standards en RS. La performance améliorée met en évidence l’avantage du MG-GAT à intégrer de manière structurée des caractéristiques multimodales. L’analyse des importances des caractéristiques, du graphe d’importance des voisins et des représentations latentes révèle des insights sur les établissements, notamment en matière de caractéristiques prédictives et d’attributs explicables des utilisateurs et des établissements. En outre, le graphe d’importance des voisins appris peut être exploité dans diverses applications de gestion, telles que la ciblage des clients, la promotion de nouveaux établissements ou la conception de stratégies d’acquisition d’information. Ce travail présente une application emblématique des modèles d’apprentissage profond à grande échelle dans le domaine de la gestion, tout en offrant une interprétabilité essentielle pour la prise de décision en situation réelle.