Récemment, le prompt-tuning a obtenu des résultats prometteurs pour des tâches de classification à faible supervision spécifiques. L'idée centrale du prompt-tuning consiste à insérer des fragments de texte (c'est-à-dire des modèles) dans l'entrée et à transformer une tâche de classification en un problème de modélisation linguistique masquée. Cependant, pour l'extraction de relations, la détermination d'un modèle de prompt approprié nécessite une expertise en domaine, et il est fastidieux et chronophage d'obtenir un mot d'étiquette adéquat. De plus, il existe une abondance de connaissances sémantiques et a priori parmi les étiquettes de relation qui ne peuvent pas être ignorées. À cette fin, nous nous concentrons sur l'intégration des connaissances entre les étiquettes de relation dans le prompt-tuning pour l'extraction de relations et proposons une approche de prompt-tuning axée sur les connaissances avec une optimisation synergie (KnowPrompt). Plus précisément, nous intégrons les connaissances latentes contenues dans les étiquettes de relation dans la construction du prompt en utilisant des mots virtuels apprenables et des mots-réponses. Ensuite, nous optimisons synergie leur représentation avec des contraintes structurées. Des résultats expérimentaux exhaustifs sur cinq jeux de données dans des configurations standard et à faibles ressources démontrent l'efficacité de notre approche. Notre code source et nos jeux de données sont disponibles sur https://github.com/zjunlp/KnowPrompt pour assurer la reproductibilité.Note: "低资源" is translated as "à faibles ressources" which means "low-resource" in French, and "虚拟类型词" is translated as "mots virtuels," which is a more natural way to express this concept in French.