Aujourd'hui, les réseaux de neurones jouent un rôle important dans la tâche de classification des relations. En concevant différentes architectures neuronales, les chercheurs ont considérablement amélioré les performances par rapport aux méthodes traditionnelles. Cependant, les réseaux de neurones existants pour la classification des relations sont généralement dotés d'architectures peu profondes (par exemple, des réseaux de neurones convolutifs à une couche ou des réseaux récurrents). Ils peuvent échouer à explorer l'espace de représentation potentiel à différents niveaux d'abstraction. Dans cet article, nous proposons des réseaux de neurones récurrents profonds (DRNNs) pour la classification des relations afin de relever ce défi. De plus, nous proposons une méthode d'augmentation de données en exploitant la directionnalité des relations. Nous avons évalué nos DRNNs sur la tâche 8 du SemEval-2010 et obtenu un score F1 de 86,1 %, surpassant ainsi les résultats précédemment enregistrés comme étant l'état de l'art.Note : - "SemEval-2010 Task~8" est traduit littéralement car c'est le nom d'une tâche spécifique dans le domaine.- "F1-score" est conservé tel quel car c'est un terme technique couramment utilisé en français dans le domaine de l'apprentissage automatique.