الطريقة الشائعة لاستخراج العلاقات هي تدريب النماذج اللغوية الكبيرة المُدرَّبة مسبقًا على مجموعات بيانات مخصصة للمهمة، ثم اختيار التصنيف ذي أعلى احتمال في التوزيع الناتج كتنبؤ نهائي. ومع ذلك، يُهمل عادة استخدام مجموعة التنبؤات الأعلى (Top-k) بالنسبة لعينة معينة. في هذا البحث، نكشف أولًا أن مجموعة التنبؤات الأعلى (Top-k) لعينة معينة تحتوي على معلومات مفيدة لتنبؤ التصنيف الصحيح. وللاستفادة الفعالة من مجموعة التنبؤات الأعلى (Top-k)، نقترح نموذجًا يُسمى KLG (Label Graph Network with Top-k Prediction Set)، والذي يعتمد على بناء رسم بياني للتصنيفات (Label Graph) لاستعراض التصنيفات المرشحة ضمن مجموعة التنبؤات الأعلى (Top-k) وتعلم العلاقات بينها. كما صممنا آلية اختيار ديناميكية لقيمة $k$k لتعلم تمثيلات أقوى وأكثر تمييزًا للعلاقات. تُظهر التجارب أن نموذج KLG يحقق أفضل الأداء على ثلاث مجموعات بيانات لاستخراج العلاقات. علاوةً على ذلك، لاحظنا أن KLG أكثر فعالية في التعامل مع الفئات ذات التوزيع الطويل الذيل (long-tailed).