Le lien d'entités est la tâche qui consiste à aligner les mentions sur les entités correspondantes dans une base de connaissances donnée. Les études précédentes ont souligné la nécessité pour les systèmes de lien d'entités de capturer la cohérence globale. Cependant, deux faiblesses courantes des modèles globaux antérieurs méritent d'être mentionnées. Premièrement, la plupart de ces modèles calculent les scores en paires entre toutes les entités candidates et sélectionnent le groupe d'entités le plus pertinent comme résultat final. Dans ce processus, la cohérence parmi les entités incorrectes ainsi que celle parmi les entités correctes est prise en compte, ce qui peut introduire des données bruitées et augmenter la complexité du modèle. Deuxièmement, les indices fournis par les entités déjà désambiguïsées, qui pourraient contribuer à la désambiguïsation des mentions ultérieures, sont généralement ignorés par les modèles précédents.Pour remédier à ces problèmes, nous transformons le lien global en un problème de décision séquentielle et proposons un modèle d'apprentissage par renforcement qui prend des décisions d'une perspective globale. Notre modèle utilise pleinement les entités précédemment référencées et explore l'influence à long terme du choix actuel sur les décisions ultérieures. Nous menons des expériences sur différents types de jeux de données ; les résultats montrent que notre modèle surpassse les systèmes de pointe existants et présente une meilleure performance généralisée.