Abhängigkeitsbäume helfen Beziehungsextraktionsmodelle, langreichweitige Beziehungen zwischen Wörtern zu erfassen. Bestehende abhängigkeitsbasierte Modelle schneiden jedoch entweder durch eine zu aggressive Prüfung von Abhängigkeitsbäumen wichtige Informationen (z.B. Verneinungen) weg oder sind rechnerisch ineffizient, da es schwierig ist, über verschiedene Baumstrukturen zu parallelisieren. Wir schlagen eine Erweiterung von Graphenkonvolutionalnetzen vor, die für die Beziehungsextraktion angepasst ist und Informationen effizient über willkürliche Abhängigkeitsstrukturen parallel poolt. Um relevante Informationen zu integrieren und gleichzeitig irrelevanten Inhalt maximal zu entfernen, wenden wir eine neuartige Prüfstrategie auf die Eingabebäume an, indem wir Wörter in der unmittelbaren Umgebung des kürzesten Pfades zwischen den beiden Entitäten beibehalten, zwischen denen eine Beziehung bestehen könnte. Das resultierende Modell erzielt Spitzenleistungen im großen TACRED-Datensatz und übertrifft bestehende sequenz- und abhängigkeitsbasierte neuronale Modelle. Durch eine detaillierte Analyse zeigen wir außerdem, dass dieses Modell ergänzende Stärken zu sequenzbasierten Modellen hat und dass ihre Kombination den Stand der Technik weiter verbessert.