Le lien d'entités (EL) est une tâche essentielle pour la compréhension sémantique du texte et l'extraction d'informations. Les méthodes populaires traitent séparément les étapes de détection de mentions (MD) et de désambiguïsation d'entités (ED) de l'EL, sans exploiter leur interdépendance mutuelle. Nous proposons ici le premier système EL neuronal bout-à-bout qui découvre et lie conjointement les entités dans un document texte. L'idée principale est de considérer toutes les plages possibles comme des mentions potentielles et d'apprendre des scores de similarité contextuelle sur leurs candidats d'entités, utiles pour les décisions MD et ED. Les composants clés sont des plongements de mentions sensibles au contexte, des plongements d'entités et une carte mention-entité probabiliste, sans nécessiter d'autres caractéristiques conçues. Expérimentalement, nous montrons que notre méthode bout-à-bout surpasse significativement les systèmes populaires sur la plateforme Gerbil lorsque suffisamment de données d'entraînement sont disponibles. Inversement, si les ensembles de données de test suivent des conventions d'annotation différentes par rapport à l'ensemble d'entraînement (par exemple, requêtes/tweets versus documents d'actualités), notre modèle ED couplé avec un système NER traditionnel offre la meilleure ou la deuxième meilleure précision EL.