Dans nos précédents travaux, nous avons proposé la méthode DGVNS (Decomposition Guided VNS) permet- tant d'exploiter les clusters, issus de la décomposition arborescente du graphe de contraintes, pour guider l'ex- ploration des voisinages dans les méthodes de type VNS. Dans cet article, nous proposons deux schémas de raf- finement de la décomposition arborescente permettant de limiter la redondance entre clusters, afin de guider DGVNS vers des voisinages plus pertinents. A cet effet, nous proposons deux critères : le premier exploite la taille du plus grand séparateur, alors que le second prend en considération à la fois la taille des séparateurs et la taille des clusters. Les expérimentations menées sur des ins- tances aléatoires (GRAPH) et des instances réelles (RLFAP, SPOT5 et tagSNP) montrent la pertinence et l'intérêt de notre approche. ---------- In this paper, we propose two schemes for re ning tree decomposition in order to reduce the redundancy between clusters and to guide DGVNS (Guided Decompo- sition VNS) to more relevant neighborhoods structures. The main idea is to increase the proportion of proper variables in clusters by merging those having few proper variables in the tree decomposition. For this aim, we pro- pose two criteria to merge clusters : the rst one uses the size of the largest separator, while the second one takes into account both the size of the separators and the size of clusters. Experiments conducted on several di cult instances (RLFAP, SPOT5, GRAPHand tagSNP) show the relevance and the interest of strengthening the quality of neighborhoods in DGVNS.