إطار استخراج الكيان والعلاقة المشترك يُنشئ نموذجًا موحدًا يقوم بتنفيذ استخراج الكيانات واستخراج العلاقات في آنٍ واحد، مما يسمح باستغلال الاعتماد بين المهمتين لتجنب مشكلة انتشار الأخطاء التي تعاني منها النماذج المتسلسلة (pipeline). وتركز الجهود الحالية في مجال استخراج الكيان والعلاقة المشترك على تعزيز التفاعل بين استخراج الكيانات واستخراج العلاقات من خلال مشاركة المعلمات، أو التفكيك المشترك، أو تقنيات عرضية أخرى (مثل تمثيلها كعملية قرار شبه ماركوفية، أو طرحها كمهمة قراءة متعددة الجولات). ومع ذلك، لا تزال هناك مشكلتان رئيسيتان قائمتان. أولاً، التفاعل المستخدم من قبل معظم الأساليب ما زال ضعيفًا واتجاهيًا واحدًا فقط، مما يمنعه من نمذجة الاعتماد المتبادل بين المهمتين. ثانيًا، تتجاهل معظم الأساليب مُحفِّزات العلاقات (relation triggers)، التي يمكن أن تفسر سبب استخلاص الإنسان لعلاقة معينة في الجملة. إنها عناصر أساسية لاستخراج العلاقات، لكنها تُهمل غالبًا. ولحل هذه المشكلة، نقدم إطارًا يُسمى "مُمَرّر الذاكرة بالمعنى والمحفِّز" (TriMF) لاستخراج الكيان والعلاقة المشترك. نُنشئ وحدة ذاكرة لحفظ تمثيلات الفئات التي تم تعلمها في مهام استخراج الكيانات واستخراج العلاقات. وباستنادًا إلى هذه الوحدة، نصمم آلية انتباه متعددة المستويات للذاكرة لتعزيز التفاعل ثنائي الاتجاه بين استخراج الكيانات واستخراج العلاقات. علاوةً على ذلك، وبلا حاجة إلى أي تسميات يدوية، يمكن لنماذجنا تعزيز معلومات مُحفِّزات العلاقات في الجملة من خلال وحدة استشعار مُحفِّز (trigger sensor module)، مما يُحسّن أداء النموذج ويُعزز تفسير التنبؤات الناتجة. أظهرت نتائج التجارب أن الإطار المقترح يحقق نتائج رائدة في المجال، حيث يُحسّن دقة العلاقة (F1) إلى 52.44% (+3.2%) على مجموعة بيانات SciERC، و66.49% (+4.9%) على ACE05، و72.35% (+0.6%) على CoNLL04، و80.66% (+2.3%) على ADE.