Die relationalen Fakten in Sätzen sind oft komplex. Verschiedene relationale Tripletts können sich innerhalb eines Satzes überlappen. Wir gliederten die Sätze entsprechend dem Grad der Triplettoverlappung in drei Klassen ein: Normal, EntityPairOverlap und SingleEntityOverlap. Bestehende Methoden konzentrieren sich hauptsächlich auf die Klasse Normal und erreichen bei der präzisen Extraktion relationaler Triplettss nicht zufriedenstellende Ergebnisse. In diesem Artikel stellen wir ein end-to-end-Modell basierend auf Sequence-to-Sequence-Lernverfahren mit Copy-Mechanismus vor, das relationalen Fakten gleichzeitig aus Sätzen jeder dieser Klassen extrahieren kann. Wir verwenden im Dekodierungsprozess zwei unterschiedliche Strategien: entweder einen einzigen gemeinsamen Dekoder oder mehrere getrennte Dekoder. Wir testen unsere Modelle an zwei öffentlichen Datensätzen und zeigen, dass unser Modell die Basismethode signifikant übertrifft.