Die Idee, Multi-Task-Lernansätze zur gemeinsamen Extraktion von Entitäten und Relationen einzusetzen, wird durch die Verwandtschaft zwischen der Entitätsrekognitionsaufgabe und der Relationsklassifikationsaufgabe motiviert. Bestehende Methoden, die Multi-Task-Lernverfahren zur Lösung dieses Problems nutzen, erlernen die Wechselwirkungen zwischen den beiden Aufgaben über ein gemeinsames Netzwerk, wobei die gemeinsam genutzten Informationen in die aufgabe-spezifischen Netze zur Vorhersage übertragen werden. Ein solcher Ansatz behindert jedoch die Fähigkeit des Modells, explizite Wechselwirkungen zwischen den Aufgaben zu lernen, was die Leistungsfähigkeit der einzelnen Aufgaben beeinträchtigen kann. Als Lösung entwickeln wir ein Multi-Task-Lernmodell, das wir rekurrentes Interaktionsnetzwerk nennen, welches das dynamische Lernen von Wechselwirkungen ermöglicht und somit die effektive Modellierung aufgabe-spezifischer Merkmale für die Klassifikation unterstützt. Empirische Studien an zwei realen Datensätzen bestätigen die Überlegenheit des vorgeschlagenen Modells.