我々は、文書全体にわたって名前付きエンティティ認識（NER）、共参照解決、関係抽出を統合的に処理する共同情報抽出（IE）モデルを検討する。特に、このIEモデルに知識ベース（KB）からの情報をどのように統合するか、特に非教師ありエンティティリンク（EL）に基づく手法を考察する。使用するKBエンティティ表現は、（i）ハイパーリンク付きのテキストドキュメント（Wikipedia）から、または（ii）知識グラフ（Wikidata）から学習されるが、両者はIE性能の向上において補完的な役割を果たす。対応するエンティティリンク候補の表現を入力文書のテキストスパン表現に追加し、（i）Wikipediaにおける事前確率に基づいてEL候補表現の重み付き平均を取る手法、および（ii）EL候補リスト上でアテンション機構を用いる手法の両方を検証する。実験結果は、2つのデータセットにおける評価対象IEタスクでF1スコアが最大5%向上することを示している。事前確率に基づくモデルが強力な性能を発揮する一方で、定量的および定性的な分析から、アテンションベースのアプローチの優位性が明らかになった。