Nous présentons une nouvelle méthode de type « diviser pour régner » pour la synthèse automatique de documents longs à l’aide de réseaux neuronaux. Notre approche exploite la structure discursive du document et utilise la similarité entre phrases pour décomposer le problème en un ensemble de sous-problèmes de synthèse plus petits. Plus précisément, nous décomposons un document long ainsi que sa synthèse en plusieurs paires source-cible, qui sont utilisées pour entraîner un modèle capable d’apprendre à synthétiser chaque partie du document de manière indépendante. Ces synthèses partielles sont ensuite combinées afin de produire une synthèse finale complète. Grâce à cette approche, nous pouvons décomposer le problème de la synthèse de documents longs en sous-problèmes plus petits et plus simples, réduisant ainsi la complexité computationnelle tout en générant davantage d’exemples d’entraînement, lesquels contiennent toutefois moins de bruit dans les synthèses cibles par rapport à l’approche classique. Nous démontrons que cette méthode, combinée à divers modèles de synthèse — notamment des réseaux récurrents séquentiels (RNN) et des Transformers — permet d’améliorer les performances de synthèse. Nos meilleurs modèles atteignent des résultats comparables aux états de l’art sur deux jeux de données publiques de publications académiques.