Die Extraktion von Dialogbeziehungen (DRE) hat das Ziel, die Beziehung zwischen zwei Entitäten zu erkennen, die in einem Mehrparteien-Dialog erwähnt werden. Sie spielt eine wichtige Rolle bei der Konstruktion von Wissensgraphen aus im Internet zunehmend häufiger vorhandenen konversationellen Daten und unterstützt die Entwicklung intelligenter Dialogsysteme. Die bisherigen Methoden zur DRE nutzen Sprechinformationen nicht sinnvoll – sie fügen den Äußerungen einfach nur die Namen der jeweiligen Sprecher voran. Dadurch gelingt es ihnen nicht, die entscheidenden Beziehungen zwischen den Sprechern zu modellieren, die durch Pronomen und Trigger zusätzlichen Kontext für relevante Argumententitäten liefern könnten. Wir präsentieren jedoch eine Methode zur DRE basierend auf Graph-Attention-Netzwerken, bei der ein Graph erstellt wird, der sinnvoll verbundene Sprecher-, Entitäts-, Entitätstyp- und Äußerungsknoten enthält. Dieser Graph wird einem Graph-Attention-Netzwerk zugeführt, um den Kontext zwischen relevanten Knoten zu verbreiten, was den dialogischen Kontext effektiv erfasst. Wir zeigen empirisch, dass dieser graphbasierte Ansatz die Beziehungen zwischen verschiedenen Entitätpaaren in einem Dialog sehr effektiv erfasst, da er auf dem Benchmark-Datensatz DialogRE deutlich bessere Ergebnisse als die bislang besten Ansätze erzielt. Unser Code ist unter folgendem Link verfügbar: https://github.com/declare-lab/dialog-HGAT