Parallèlement aux études sur les technologies de l’intelligence artificielle, des recherches sont également menées activement dans le domaine du traitement du langage naturel, afin de comprendre et de traiter le langage humain, autrement dit, le langage naturel. Pour que les ordinateurs puissent apprendre de manière autonome, la capacité à comprendre le langage naturel est essentielle. Ce domaine englobe un large éventail de tâches, mais nous nous concentrons particulièrement sur la reconnaissance d’entités nommées et l’extraction de relations, considérées comme les plus importantes pour la compréhension des phrases. Nous proposons DeNERT-KG, un modèle capable d’extraire le sujet, l’objet et les relations afin de saisir le sens intrinsèque d’une phrase. Basé sur le modèle linguistique BERT et sur un réseau profond Q (Deep Q-Network), ce modèle de reconnaissance d’entités nommées (NER) permet d’extraire le sujet et l’objet, tandis qu’un graphe de connaissances est utilisé pour l’extraction des relations. Grâce au modèle DeNERT-KG, il devient possible d’extraire le sujet, son type, l’objet, son type, ainsi que la relation entre eux, et de valider ce modèle à l’aide d’expériences.