Die Relationsextraktion ist das Problem, die Beziehung zwischen zwei Entitäten in einem gegebenen Satz zu klassifizieren. Distant Supervision (DS) ist eine weit verbreitete Technik zur Entwicklung von Relationsextraktorien, die mit begrenzter Aufsicht beginnen. Wir beobachten, dass die meisten Sätze im Kontext der Relationsextraktion durch Distant Supervision sehr lang sind und von Wortaufmerksamkeit profitieren könnten, um eine bessere Satzrepräsentation zu erzielen. Unsere Beiträge in dieser Arbeit sind dreifach:Erstens schlagen wir zwei neue Wortaufmerksamkeitsmodelle für die distantsupervisierte Relationsextraktion vor:1. Ein auf einem bidirektionalen Gated Recurrent Unit (Bi-GRU) basierendes Wortaufmerksamkeitsmodell (BGWA),2. Ein entitätszentriertes Aufmerksamkeitsmodell (EA),3. Ein kombiniertes Modell, das mehrere ergänzende Modelle mittels gewichteter Abstimmung kombiniert, um die Relationsextraktion zu verbessern.Zweitens stellen wir GDS vor, einen neuen Datensatz für distantsupervisierte Relationsextraktion. GDS entfernt den im Testdaten vorhandenen Rausch, der in allen bisherigen Benchmark-Datensätzen für Distant Supervision vorhanden war, was es möglich macht, glaubwürdige automatische Evaluierungen durchzuführen.Drittens zeigen wir durch umfangreiche Experimente auf mehreren realen Datensätzen die Effektivität der vorgeschlagenen Methoden.