Les modèles de pointe pour la reconnaissance conjointe d'entités et l'extraction de relations s'appuient fortement sur des outils externes de traitement du langage naturel (NLP), tels que des étiqueteurs morphosyntaxiques (POS, part-of-speech) et des analyseurs de dépendances. Par conséquent, les performances de ces modèles conjoints dépendent de la qualité des caractéristiques obtenues à partir de ces outils NLP. Cependant, ces caractéristiques ne sont pas toujours précises pour différentes langues et contextes. Dans cet article, nous proposons un modèle neuronal conjoint qui effectue la reconnaissance d'entités et l'extraction de relations simultanément, sans nécessiter aucune caractéristique extraite manuellement ni l'utilisation d'aucun outil externe. Plus précisément, nous modélisons la tâche de reconnaissance d'entités à l'aide d'une couche CRF (Conditional Random Fields) et la tâche d'extraction de relations comme un problème de sélection multi-têtes (c'est-à-dire potentiellement identifier plusieurs relations pour chaque entité). Nous présentons une configuration expérimentale exhaustive pour démontrer l'efficacité de notre méthode en utilisant des jeux de données provenant de divers contextes (par exemple, actualités, biomédical, immobilier) et langues (par exemple, anglais, néerlandais). Notre modèle surpasses les modèles neuronaux précédents qui utilisent des caractéristiques extraites automatiquement tout en performant dans une marge raisonnable par rapport aux modèles neuronaux basés sur des caractéristiques, voire en les surpassant.