Compression de vocabulaire de sens grâce aux relations sémantiques pour la désambiguïsation lexicale RÉSUMÉ En Désambiguïsation Lexicale (DL), les systèmes supervisés dominent largement les campagnes d'évaluation. La performance et la couverture de ces systèmes sont cependant rapidement limités par la faible quantité de corpus annotés en sens disponibles. Dans cet article, nous présentons une nouvelle méthode qui vise à résoudre ce problème en exploitant les relations sémantiques entre les sens tels que la synonymie, l'hyperonymie et l'hyponymie, afin de compresser le vocabulaire de sens de WordNet, et ainsi réduire le nombre d'étiquettes différentes nécessaires pour pouvoir désambiguïser tous les mots de la base lexicale. Notre méthode réduit considérablement le temps d'apprentissage et la taille des modèles de DL neuronaux, d'un facteur de 1,6 à 2,2 selon le corpus d'apprentissage, avec l'avantage d'améliorer leur couverture sans données supplémentaires. Avec notre méthode combinée aux récents travaux sur les représentations vectorielles de mots contextualisées, nous obtenons des résultats qui surpassent largement l'état de l'art sur toutes les tâches d'évaluation de la DL. ABSTRACT Sense Vocabulary Compression through Semantic Knowledge for Word Sense Disambiguation In Word Sense Disambiguation (WSD), the predominant approach generally involves a supervised system trained on sense annotated corpora. The limited quantity of such corpora however restricts the coverage and the performance of these systems. In this article, we present a new method that tackles this problem by exploiting the semantic relationships between senses such as synonymy, hypernymy and hyponymy, in order to compress the sense vocabulary of WordNet, and thus reduce the number of different sense tags that must be observed to disambiguate all words of the lexical database. Our method greatly reduces the training time and the size of neural WSD models, by a factor of 1.6 to 2.2 depending on the training corpus, with the benefit of improving their coverage without additional training data. Our method combined with the recent advances in contextualized word embeddings leads to results that significantly outperform the state of the art on all WSD evaluation tasks. MOTS-CLÉS : désambiguïsation lexicale, compression de vocabulaire, relations sémantiques.