في استخراج الكيانات والعلاقات المشترك، تُقدّم الدراسات السابقة إما ترميزًا تسلسليًا للخصائص المخصصة للمهام، مما يؤدي إلى عدم توازن في التفاعل بين الخصائص عبر المهام، حيث لا تمتلك الخصائص المستخرجة لاحقًا اتصالًا مباشرًا بالخصائص المستخرجة مبكرًا. أو تُستخدم طريقة ترميز متوازية لخصائص الكيانات وخصائص العلاقات، ما يعني أن تعلم تمثيل الخصائص لكل مهمة يكون مستقلًا إلى حد كبير عن الآخر، باستثناء مشاركة المدخلات. نقترح شبكة مرشح مُقسمة (Partition Filter Network) لتمثيل التفاعل ثنائي الاتجاه بين المهام بشكل مناسب، حيث يتم تفكيك عملية ترميز الخصائص إلى خطوتين: التقسيم والتصفية. في مشغلنا، نستفيد من غيتين: غيتو الكيانات وغيتو العلاقات، لتقسيم العصبونات إلى مجموعتين مخصصتين للمهام، ومجموعة مشتركة. تمثل المجموعة المشتركة المعلومات بين المهام الضرورية لكلا المهمتين، وتنقسم بالتساوي بين المهمتين لضمان تفاعل ثنائي الاتجاه المناسب. أما المجموعات المخصصة للمهام، فهي تمثل المعلومات داخل المهمة، وتُشكّل من خلال جهود مشتركة من كلا الغيتين، مما يضمن أن ترميز الخصائص المخصصة للمهام يعتمد على بعضه البعض. أظهرت نتائج التجارب على ستة مجموعات بيانات عامة أن نموذجنا يتفوّق بشكل ملحوظ على النماذج السابقة. علاوةً على ذلك، وخلافًا لما ذُكر سابقًا، تشير تجاربنا المساعدة إلى أن توقع العلاقات يسهم بشكل ملحوظ في توقع الكيانات المُسمّاة. يمكن الاطلاع على الكود المصدري عبر الرابط: https://github.com/Coopercoppers/PFN.