Les articles scientifiques, spécifiques d'un domaine, sont riches en connaissances dudit domaine. Ces connaissances non structurées nécessitent le développement des techniques d'extraction de connaissances efficaces, qui consistent à identifier les concepts et les relations qui les relient. Les modèles d'extraction basés sur des approches d'apprentissage supervisé nécessitent l'annotation du corpus, ce qui est coûteux en temps et en ressources humaines. Des travaux récents montrent que les méthodes d'apprentissage non supervisé donnent des résultats équivalents lorsqu'elles sont appliquées à des corpus volumineux. Appliquer de telles approches à des corpus de taille modeste est un nouveau défi. L'approche que nous proposons tente de relever ce défi, en détectant automatiquement les concepts du domaine et en mettant en oeuvre un algorithme de classification basé sur les réseaux de neurones, afin d'identifier les relations entre concepts. Notre objectif est de construire un système indépendant du domaine, pour lequel le paradigme de sélection de traits permettrait d'ajuster les paramètres du système en fonction du domaine et de la relation ciblée. L'évaluation menée à ce jour sur les articles issus de la revue Nature du corpus ISTEX montre que notre modèle donne de meilleurs résultats que l'algorithme K-Means, dans les mêmes conditions d'évaluation, ce qui apparaît comme une alternative aux approches supervisées.