Les données du monde réel sont souvent distribuées selon une loi à queue longue et comportent un grand nombre de classes. Ce caractère entraîne une baisse significative des performances pour divers modèles. Une des raisons de ce phénomène réside dans le décalage de gradient provoqué par les classes non échantillonnées au cours de chaque itération d'entraînement. Dans cet article, nous proposons un cadre appelé Weight-Guided Class Complementing afin de remédier à ce problème. Plus précisément, ce cadre complète d'abord les classes non échantillonnées lors de chaque itération d'entraînement en utilisant un emplacement de données mis à jour de manière dynamique. Ensuite, en tenant compte du risque de surapprentissage induit par cette complétion de classes, nous exploitons les poids du classificateur comme connaissance apprise et incitons le modèle à découvrir davantage de caractéristiques spécifiques à chaque classe. Enfin, nous concevons une stratégie de raffinement des poids pour atténuer le biais à queue longue présent dans les poids du classificateur. Les résultats expérimentaux montrent que notre cadre peut être facilement intégré à diverses approches existantes, offrant des améliorations constantes sur plusieurs benchmarks et atteignant de nouveaux états de l'art.