Distanzüberwachte Relationsextraktionsmethoden (RE) trainieren einen Extraktor, indem sie Relationeninstanzen in einer Wissensbasis (KB) automatisch mit unstrukturiertem Text ausrichten. Neben den Relationeninstanzen enthalten Wissensbasen oft weitere relevante Nebeninformationen, wie zum Beispiel Synonyme von Relationen (z.B. gegründet und mitgegründet sind Synonyme für die Relation founderOfCompany [Gründer eines Unternehmens]). RE-Modelle ignorieren in der Regel solche leicht verfügbaren Nebeninformationen. In dieser Arbeit schlagen wir RESIDE vor, eine distanzüberwachte neuronale Relationsextraktionsmethode, die zusätzliche Nebeninformationen aus Wissensbasen nutzt, um die Relationsextraktion zu verbessern. Sie verwendet Entitätstyp- und Relationsynonyminformationen, um weiche Restriktionen beim Vorhersagen von Relationen aufzuerlegen. RESIDE setzt Graph Convolutional Networks (GCN) ein, um syntaktische Informationen aus dem Text zu kodieren, und verbessert die Leistung auch dann, wenn nur begrenzte Nebeninformationen zur Verfügung stehen. Durch umfangreiche Experimente auf Benchmarksdatensätzen zeigen wir die Effektivität von RESIDE nach. Wir haben den Quellcode von RESIDE öffentlich zugänglich gemacht, um reproduzierbare Forschung zu fördern.