Les systèmes de typage d'entités existants exploitent généralement la hiérarchie des types fournie par le schéma de la base de connaissances (KB) pour modéliser les corrélations entre les étiquettes et ainsi améliorer les performances globales. Ces techniques ne sont cependant pas directement applicables à des scénarios plus ouverts et pratiques où l'ensemble des types n'est pas limité par le schéma de la base de connaissances et inclut un grand nombre de types libres. Pour modéliser les corrélations sous-jacentes entre les étiquettes sans accès aux structures d'étiquettes annotées manuellement, nous introduisons un nouveau biais inductif relationnel d'étiquetage, représenté par une couche de propagation graphique qui encode efficacement à la fois les statistiques globales de co-occurrence des étiquettes et les similarités au niveau des mots. Sur un grand ensemble de données comprenant plus de 10 000 types libres, le modèle renforcé par un graphe et équipé d'un module de correspondance basé sur l'attention est capable d'atteindre un score de rappel beaucoup plus élevé tout en maintenant une précision élevée. Plus précisément, il réalise une amélioration relative de 15,3 % du F1-score et réduit également les incohérences dans les résultats. Nous montrons en outre qu'une modification simple de notre couche graphique proposée peut également améliorer les performances sur un ensemble de données conventionnel et largement testé ne comprenant que des types issus du schéma de la base de connaissances (KB).