Cadre conjoint d'extraction d'entités et de relations construit un modèle unifié permettant d'effectuer simultanément la reconnaissance d'entités et l'extraction de relations, exploitant ainsi la dépendance entre ces deux tâches afin de réduire le problème de propagation d'erreurs rencontré par les modèles en pipeline. Les travaux actuels sur l'extraction conjointe d'entités et de relations se concentrent principalement sur l'amélioration de l'interaction entre la reconnaissance d'entités et l'extraction de relations grâce au partage de paramètres, au décodage conjoint ou à d'autres techniques spécifiques (par exemple, modélisés comme un processus de décision semi-Markovien, ou reformulés comme une tâche de compréhension de lecture en plusieurs tours). Toutefois, deux problèmes persistent. Premièrement, l'interaction mise en œuvre par la plupart des méthodes reste faible et unidirectionnelle, ne permettant pas de modéliser efficacement la dépendance mutuelle entre les deux tâches. Deuxièmement, la plupart des méthodes ignorent les déclencheurs de relation, des éléments essentiels qui peuvent expliquer pourquoi un humain extrait une relation dans une phrase. Ces déclencheurs sont cruciaux pour l'extraction de relations, mais sont fréquemment négligés. À cet effet, nous proposons un cadre de flux de mémoire basé sur les déclencheurs et les sens (TriMF) pour l'extraction conjointe d'entités et de relations. Nous mettons en place un module de mémoire pour conserver les représentations de catégories apprises lors des tâches de reconnaissance d'entités et d'extraction de relations. Sur cette base, nous concevons un mécanisme d'attention à flux de mémoire multi-niveaux afin d'améliorer l'interaction bidirectionnelle entre la reconnaissance d'entités et l'extraction de relations. En outre, sans aucune annotation humaine, notre modèle peut enrichir l'information relative aux déclencheurs de relation dans une phrase grâce à un module de capteur de déclencheurs, ce qui améliore les performances du modèle et rend ses prédictions plus interprétables. Les résultats expérimentaux montrent que notre cadre proposé atteint des performances de pointe, avec une amélioration du F1 des relations à 52,44 % (+3,2 %) sur SciERC, 66,49 % (+4,9 %) sur ACE05, 72,35 % (+0,6 %) sur CoNLL04 et 80,66 % (+2,3 %) sur ADE.