Syntaktische Merkmale spielen eine wesentliche Rolle bei der Identifizierung von Beziehungen in einem Satz. Frühere neuronale Netzwerkmodelle litten häufig daran, dass irrelevante Informationen eingeführt wurden, wenn Subjekte und Objekte über einen großen Abstand voneinander entfernt waren. In dieser Arbeit schlagen wir vor, mittels eines Faltungsneuronalen Netzes (Convolutional Neural Network) robustere Beziehungsdarstellungen aus dem kürzesten Abhängigkeitspfad zu lernen. Wir schlagen außerdem eine einfache Strategie für negatives Sampling vor, um die Zuordnung von Subjekten und Objekten zu verbessern. Experimentelle Ergebnisse zeigen, dass unsere Methode die Standesder-Technik-Methoden (state-of-the-art methods) auf dem SemEval-2010 Task 8 Datensatz übertrifft.