التعرف على الكيانات المُسَمَّى (NER) وربط الكيانات (EL) هما مهمتان مرتبطتان بشكل أساسي، حيث أنه لتنفيذ ربط الكيانات، يجب أولاً اكتشاف الإشارات إلى هذه الكيانات. ومع ذلك، فإن معظم نُهُج ربط الكيانات تتجاهل جزء اكتشاف الإشارات، بافتراض أن الإشارات الصحيحة قد تم اكتشافها مسبقًا. في هذا البحث، نقوم بتعلم مشترك للترفع على الكيانات المُسَمَّى وربط الكيانات للاستفادة من علاقتهما والحصول على نظام أكثر صلابة وقابلية للتعميم. لهذا الغرض، نقدم نموذجًا مستوحى من طريقة Stack-LSTM (Dyer et al., 2015). نلاحظ أن التعلم متعدد المهام للترفع على الكيانات المُسَمَّى وربط الكيانات يحسن الأداء في كلا المهمتين عند مقارنته بنماذج تم تدريبها بأهداف فردية. بالإضافة إلى ذلك، نحقق نتائج تنافسية مع أفضل النتائج الحالية في كل من التعرف على الكيانات المُسَمَّى وربط الكيانات.