تم استخدام المعلومات التركيبية، وخاصة أشجار الاعتماد (dependency trees)، على نطاق واسع في الدراسات الحالية لتحسين استخراج العلاقات بفضل التوجيه الدلالي الأفضل لتحليل المعلومات السياقية المرتبطة بالكائنات المعطاة. ومع ذلك، تعاني معظم الدراسات الحالية من الضوضاء في أشجار الاعتماد، خصوصًا عند توليدها تلقائيًا، مما يجعل الاستفادة المكثفة من المعلومات المتعلقة بالاعتماد قد يؤدي إلى لبس في تصنيف العلاقات، وبالتالي فإن عملية التصفية المناسبة تُعد أمرًا بالغ الأهمية في هذه المهمة. في هذا البحث، نقترح منهجية قائمة على الاعتماد لاستخراج العلاقات باستخدام شبكات التوليف الرسومية المُنتبهة (A-GCN). في هذا النهج، يتم تطبيق آلية انتباه على شبكات التوليف الرسومية لتمييز أهمية الاعتماد بين الكلمات المختلفة في شجرة الاعتماد المستخلصة من مُحلل اعتماد جاهز (off-the-shelf dependency parser)، مع مراعاة أن أنواع الاعتماد بين الكلمات تحتوي أيضًا على توجيه سياقي مهم، وقد يكون مفيدًا بشكل كبير في استخراج العلاقات، لذا نُدمج أيضًا معلومات النوع في نموذج A-GCN. أظهرت النتائج التجريبية على مجموعتي بيانات معيار إنجليزية أن A-GCN المقترح فعّال، حيث تفوق الدراسات السابقة وحقق أفضل أداء (state-of-the-art) على كلا المجموعتين.