Dans cet article, nous proposons un nouveau réseau de graphe plat bipartite (BiFlaG) pour la reconnaissance d'entités nommées imbriquées (NER), qui comprend deux modules de sous-graphe : un module NER plat pour les entités les plus externes et un module graphe pour toutes les entités situées dans les couches internes. Nous utilisons des réseaux LSTM bidirectionnels (BiLSTM) et des réseaux de convolution de graphe (GCN) pour apprendre conjointement les entités plates et leurs dépendances internes. Contrairement aux modèles précédents, qui ne prennent en compte que le flux d'information unidirectionnel des couches les plus internes vers les couches externes (ou de l'extérieur vers l'intérieur), notre modèle capture efficacement l'interaction bidirectionnelle entre ces couches. Nous construisons d'abord un graphe d'entités à partir des entités reconnues par le module NER plat, qui est ensuite alimenté au module graphe suivant. La représentation plus riche apprise par le module graphe contient les dépendances des entités internes et peut être utilisée pour améliorer les prédictions des entités les plus externes. Les résultats expérimentaux sur trois jeux de données standard de NER imbriqués montrent que notre BiFlaG surpassent les modèles précédents considérés comme étant à l'état de l'art.