La méthode non supervisée d’extraction de relations fondée sur le regroupement (clustering) est progressivement devenue l’une des approches essentielles de l’extraction ouverte de relations (OpenRE). Toutefois, les vecteurs de grande dimension peuvent encoder des informations linguistiques complexes, ce qui entraîne un problème : les clusters obtenus ne s’alignent pas explicitement avec les classes sémantiques relationnelles. Dans ce travail, nous proposons un modèle de regroupement orienté vers les relations, afin d’identifier des relations nouvelles dans des données non étiquetées. Plus précisément, pour permettre au modèle d’apprendre à regrouper efficacement les données relationnelles, notre méthode exploite les données étiquetées disponibles concernant des relations prédéfinies afin d’apprendre une représentation orientée vers les relations. Nous minimisons la distance entre les instances appartenant à la même relation en rassemblant celles-ci vers leurs centres respectifs (centroïdes relationnels), afin de former une structure de regroupement cohérente, rendant ainsi la représentation apprise favorable au clustering. Pour réduire le biais de regroupement induit par les classes prédéfinies, nous optimisons le modèle en minimisant une fonction objectif conjointe sur les données étiquetées et non étiquetées. Les résultats expérimentaux montrent que notre méthode réduit le taux d’erreur de 29,2 % et de 15,7 % respectivement sur deux jeux de données, par rapport aux méthodes de l’état de l’art actuelles.