Nous présentons un modèle génératif pour l’apprentissage non supervisé des structures de dépendance. Nous décrivons également la combinaison multiplicative de ce modèle de dépendance avec un modèle de constitution linéaire. Le modèle produit dépasse les deux composants individuels sur leurs métriques d’évaluation respectives, obtenant ainsi les meilleurs résultats publiés pour la segmentation non supervisée des dépendances et la segmentation non supervisée des constituants. Nous démontrons également que le modèle combiné fonctionne efficacement et est robuste sur plusieurs langues, en étant capable d’exploiter soit des régularités d’attachement, soit des régularités distributionnelles, selon ce qui est le plus marqué dans les données.