Les entités imbriquées sont observées dans de nombreux domaines en raison de leur compositionnalité, un aspect difficile à capturer efficacement avec les cadres classiques de marquage de séquence. Une solution naturelle consiste à traiter cette tâche comme un problème de classification de spans. Pour apprendre des représentations de spans plus performantes et améliorer les performances de classification, il est essentiel d’intégrer de manière efficace des facteurs hétérogènes tels que les tokens internes, les bornes, les étiquettes et les spans associés, qui contribuent tous à la reconnaissance des entités imbriquées. Pour fusionner ces facteurs hétérogènes, nous proposons un mécanisme novateur basé sur une triaffinité, comprenant une attention triaffine et un score triaffine. L’attention triaffine utilise les bornes et les étiquettes comme requêtes, tandis que les tokens internes et les spans associés servent de clés et de valeurs pour la représentation des spans. Le score triaffine interagit avec les bornes et les représentations des spans afin d’effectuer la classification. Les expérimentations montrent que la méthode proposée surpasser les approches précédentes basées sur les spans, atteint des scores F₁ de pointe sur les jeux de données de NER imbriqués GENIA et KBP2017, et obtient des résultats comparables sur ACE2004 et ACE2005.