Bei der gemeinsamen Entität- und Relationsextraktion modellieren bisherige Ansätze entweder sequenziell aufgabenbezogene Merkmale, wodurch eine Ungleichgewichtigkeit im Interaktionseffekt zwischen den Aufgaben entsteht, da später extrahierte Merkmale keinen direkten Zugriff auf zuvor erzeugte Merkmale haben. Alternativ codieren sie Entitäts- und Relationsmerkmale parallel, wodurch die Merkmalsrepräsentationslernung für jede Aufgabe weitgehend voneinander unabhängig ist, abgesehen von der gemeinsamen Eingabeteilung. Wir schlagen ein Partition-Filter-Netzwerk vor, um die zweiseitige Interaktion zwischen den Aufgaben angemessen zu modellieren, wobei die Merkmalscodierung in zwei Schritte zerlegt wird: Partitionierung und Filterung. In unserem Encoder nutzen wir zwei Gates – ein Entitäts-Gate und ein Relations-Gate –, um die Neuronen in zwei aufgabenbezogene Partitionen und eine gemeinsame Partition zu unterteilen. Die gemeinsame Partition repräsentiert informationsreiche Interaktionen zwischen den Aufgaben und wird gleichmäßig zwischen den beiden Aufgaben geteilt, um eine angemessene zweiseitige Interaktion sicherzustellen. Die aufgabenbezogenen Partitionen hingegen repräsentieren intra-aufgabenbezogene Informationen und werden durch die koordinierte Wirkung beider Gates gebildet, wodurch sichergestellt wird, dass die Codierung aufgaben-spezifischer Merkmale voneinander abhängig ist. Experimentelle Ergebnisse auf sechs öffentlichen Datensätzen zeigen, dass unser Modell signifikant besser abschneidet als frühere Ansätze. Zudem legen unsere zusätzlichen Experimente im Gegensatz zu früheren Behauptungen nahe, dass die Relationsvorhersage die Entitätenvorhersage auf eine nicht vernachlässigbare Weise beeinflusst. Der Quellcode ist unter https://github.com/Coopercoppers/PFN verfügbar.