Qu'elles soit issues d'éléments structurés d'un article ou le résultat d'une production participatives, les données ouvertes et liées publiées par DBpedia et Wikidata offrent aujourd'hui un point de vue complémentaire vis à vis des descriptions en plein texte de Wikipédia. De plus, le texte de Wikipédia contient un grand nombre d'informations qui pourraient être investies dans l'amélioration de la couverture et de la qualité de ces bases de connaissances. Jusqu'à récemment, la question de l'extraction de relations était résolue à travers une chaîne de processus d'extraction (extraction d'entités nommées, recherche d'URI pour présenter celle-ci, extraction de relations, clustering des relations). Récemment, le développement de large modèles de langue a démontré qu'il était alors possible de réaliser des tâches complexes, et d'investir ces modèles pré-entraînes pour résoudre des problématiques de traitement de la langue plus spécifique. Ce qui impacte aujourd'hui, directement le domaine de l'extraction d'information. Cependant, utiliser et restreindre ces approches à un domaine de connaissance spécifique, est aujourd'hui encore une question ouverte. Nous présentons dans ce poster plus en détail nos questions de recherches, ainsi que l'approche que nous avons suivis pour investir l'état de la littérature sur la question : à l'intersection des graphes de connaissances et du traitement automatique de la langue.