Namensentitätenerkennung und Relationsextraktion sind zentrale Teilaufgaben der relationalen Tripelextraktion. In jüngsten Studien wurden Parameterfreigabe oder gemeinsame Decodierung eingesetzt, um eine Wechselwirkung zwischen diesen beiden Aufgaben zu schaffen. Dabei stellt die Sicherstellung der Spezifität der aufgabenbezogenen Merkmale bei gleichzeitiger korrekter Interaktion beider Aufgaben eine erhebliche Herausforderung dar. In diesem Paper stellen wir einen Multi-Gate-Encoder vor, der eine bidirektionale Aufgabenwechselwirkung modelliert, während gleichzeitig ausreichende Merkmalspezifität durch eine Gating-Mechanismus gewahrt wird. Genauer gesagt entwerfen wir zwei Arten unabhängiger Gatter: Task-Gatter zur Generierung aufgabenbezogener Merkmale und Interaktions-Gatter zur Erzeugung leitender Merkmale, die die jeweils andere Aufgabe unterstützen. Unsere Experimente zeigen, dass unsere Methode die SOTA-Relation-F1-Scores auf den Datensätzen ACE04, ACE05 und SciERC um 1,3 % (63,8 %), 1,4 % (68,2 %) und 1,0 % (39,4 %) erhöht, wobei zudem eine höhere Inferenzgeschwindigkeit im Vergleich zum vorherigen SOTA-Modell erreicht wird.