Wir präsentieren einen allgemeinen Rahmen für mehrere Informationsextraktionsaufgaben, die auf dynamisch konstruierten Spannengraphen basieren und Spannendarstellungen teilen. Die Graphen werden durch Auswahl der sichersten Entitätsspannen und Verknüpfung dieser Knoten mit vertrauensgewichteten Relationstypen und Koreferenzen erstellt. Der dynamische Spannengraph ermöglicht es, dass die Vertrauenswerte von Koreferenzen und Relationstypen durch den Graphen verbreitet werden, um die Spannendarstellungen iterativ zu verfeinern. Dies unterscheidet sich von früheren Mehrfach-Aufgaben-Rahmen für die Informationsextraktion, bei denen die einzige Interaktion zwischen den Aufgaben in der gemeinsamen ersten LSTM-Schicht (Long Short-Term Memory) stattfindet. Unser Rahmen übertrifft den aktuellen Stand der Technik erheblich bei mehreren Informationsextraktionsaufgaben auf verschiedenen Datensätzen, die verschiedene Domänen widerspiegeln. Darüber hinaus beobachten wir, dass der Ansatz zur Enumeration von Spannen gut darin ist, verschachtelte Entitätsspannen zu erkennen, was sich in einer signifikanten Verbesserung des F1-Werts im ACE-Datensatz (Automatic Content Extraction) zeigt.