تُساعِد شجرات الارتباط (Dependency Trees) نماذج استخراج العلاقات على التقاط العلاقات البعيدة بين الكلمات. ومع ذلك، فإن النماذج القائمة على الارتباط إما تتجاهل معلومات حاسمة (مثل النفي) من خلال تقليم شجرة الارتباط بشكل مفرط، أو تكون غير فعالة من حيث الحساب لأن من الصعب التوازي عبر هيكلات الشجرة المختلفة. نقترح توسيعًا لشبكات التحويل الرسومية (Graph Convolutional Networks) مصمم خصيصًا لاستخراج العلاقات، والذي يجمع المعلومات بكفاءة وبشكل متوازٍ عبر هيكلات الارتباط العشوائية. للدمج بين المعلومات ذات الصلة مع إزالة المحتوى غير ذي الصلة إلى أقصى حد، نطبق استراتيجية تقليم جديدة على الأشجار الدخلية عن طريق الحفاظ على الكلمات حول المسار الأقصر بين الكيانين اللذين قد يكون بينهما علاقة. حقق النموذج الناتج أداءً رائدًا في مجموعة بيانات TACRED الكبيرة الحجم، متفوقًا على النماذج العصبية القائمة على التسلسل والارتباط الموجودة سابقًا. كما نوضح من خلال تحليل مفصل أن هذا النموذج يتمتع بقوى مكملة لنماذج التسلسل، وأن الجمع بينهما يحسن الأداء الرائد أكثر.请注意，TACRED 作为一个专有名词，通常会保留其英文形式。如果需要进一步本地化，请告知。