Wir schlagen ein neuronales Mehrdokumenten-Zusammenfassungssystem (MDS) vor, das Satzrelationen-Graphen einbezieht. Wir verwenden ein Graph Convolutional Network (GCN) auf den Relationen-Graphen, wobei die Satzeinbettungen von Rekurrenten Neuronalen Netzen als Eingabe-Knoteneigenschaften dienen. Durch mehrschichtige Propagation generiert das GCN hochwertige verborgene Satzeigenschaften zur Schlagwortigkeitsschätzung. Anschließend wenden wir eine gierige Heuristik an, um schlagwörtige Sätze zu extrahieren und Redundanz zu vermeiden. In unseren Experimenten mit DUC 2004 betrachten wir drei Arten von Satzrelationen-Graphen und zeigen den Vorteil der Kombination von Satzrelationen in Graphen mit der Darstellungskraft tiefer neuronaler Netze. Unser Modell verbessert traditionelle graphbasierte extraktive Ansätze sowie das einfache GRU-Sequenzmodell ohne Graph und erzielt wettbewerbsfähige Ergebnisse im Vergleich zu anderen state-of-the-art Mehrdokumenten-Zusammenfassungssystemen.