Cet article propose un réseau neuronal graphique (GNN) exploitant la richesse informationnelle des graphes orientés (digraphes). Les GNN à graphes orientés existants souffrent de limitations d'efficacité et de stabilité des performances en raison de mécanismes d'apprentissage complexes et d'une dépendance topologique de haute qualité. Pour remédier à ces limitations, nous proposons la marche aléatoire dirigée (DiRW), une stratégie prête à l'emploi applicable à la plupart des DiGNN spatiaux, ainsi qu'un nouveau paradigme d'apprentissage de graphes orientés. DiRW utilise un échantillonneur de chemins sensible à la direction qui optimise les probabilités, les longueurs et les nombres de chemins sans pondération, en tenant compte des profils et des topologies des nœuds. Il intègre également un agrégateur de chemins apprenables spécifiques à chaque nœud pour générer des représentations généralisées des nœuds. Grâce à des expériences approfondies sur neuf jeux de données, nous démontrons que DiRW surpasse la plupart des méthodes spatiales grâce à sa stratégie prête à l'emploi et atteint des performances de pointe grâce à son nouveau paradigme d'apprentissage de graphes orientés.
