Dans cette étude, nous proposons une nouvelle représentation de hypergraphe segmentale pour modéliser les mentions d'entités chevauchantes qui sont courantes dans de nombreux ensembles de données pratiques. Nous démontrons que notre modèle, construit sur cette nouvelle représentation, est capable de capturer des caractéristiques et des interactions que les modèles précédents ne pouvaient pas saisir, tout en maintenant une faible complexité temporelle pour l'inférence. Nous présentons également une analyse théorique pour évaluer formellement comment notre représentation est supérieure aux représentations alternatives rapportées dans la littérature en termes de puissance représentative. Associée à des réseaux neuronaux pour l'apprentissage de caractéristiques, notre modèle atteint des performances de pointe dans trois ensembles de données de référence annotés avec des mentions chevauchantes.