La reconnaissance d'entités nommées et l'extraction de relations sont deux problèmes fondamentaux importants. Des algorithmes d'apprentissage conjoint ont été proposés pour résoudre ces deux tâches simultanément, et beaucoup d'entre eux formulent la tâche conjointe comme un problème de remplissage de table. Cependant, ils se concentrent généralement sur l'apprentissage d'un seul encodeur (généralement en apprenant des représentations sous forme de table) pour capturer les informations nécessaires aux deux tâches dans le même espace. Nous soutenons qu'il peut être avantageux de concevoir deux encodeurs distincts pour capturer ces deux types d'informations différents au cours du processus d'apprentissage. Dans ce travail, nous proposons les nouveaux {\em encodeurs table-séquence} où deux encodeurs différents -- un encodeur de table et un encodeur de séquence -- sont conçus pour s'aider mutuellement dans le processus d'apprentissage des représentations. Nos expériences confirment les avantages de disposer de {\em deux} encodeurs par rapport à {\em un} seul encodeur. Sur plusieurs jeux de données standards, notre modèle montre des améliorations significatives par rapport aux approches existantes.