L’extraction de triples relationnels est un défi en raison de la difficulté à capturer les corrélations riches entre entités et relations. Les travaux existants souffrent de deux limites principales : 1) des représentations hétérogènes des entités et des relations, et 2) une modélisation hétérogène des interactions entre entités et des interactions entre entités et relations. En conséquence, les corrélations riches ne sont pas pleinement exploitées par les approches actuelles. Dans cet article, nous proposons UniRel afin de relever ces défis. Plus précisément, nous unifions les représentations des entités et des relations en les codant conjointement au sein d’une séquence naturelle concaténée, et unifions la modélisation des interactions grâce à une carte d’interaction (Interaction Map) proposée, construite à partir du mécanisme d’attention auto-attention standard intégré à tout bloc Transformer. À l’aide d’expériences approfondies sur deux jeux de données populaires pour l’extraction de triples relationnels, nous démontrons que UniRel est à la fois plus efficace et plus performant sur le plan computationnel. Le code source est disponible à l’adresse suivante : https://github.com/wtangdev/UniRel.