Wir untersuchen die Aufgabe der gemeinsamen Entitäten- und Relationsextraktion. Im Gegensatz zu vorherigen Ansätzen stellen wir ein neuartiges, leichtgewichtiges Paradigma für gemeinsames Lernen vor, das auf der Minimum-Risk-Training-(MRT)-Methode basiert. Konkret optimiert unser Algorithmus eine globale Verlustfunktion, die flexibel und effektiv ist, um die Wechselwirkungen zwischen dem Entitätenmodell und dem Relationsmodell zu erforschen. Wir implementieren ein starkes und einfaches neuronales Netzwerk, in dem das MRT-Verfahren ausgeführt wird. Experimentelle Ergebnisse auf den Benchmark-Datensätzen ACE05 und NYT zeigen, dass unser Modell Zustand-des-Kunst-Leistungen bei der gemeinsamen Extraktion erreichen kann.