In dieser Arbeit stellen wir eine neuartige Methode namens RECON vor, die Beziehungen in einem Satz automatisch identifiziert (Satzbezogene Beziehungsextraktion) und diese mit einem Wissensgraphen (KG) abgleicht. RECON nutzt ein Graph-Neurales Netzwerk, um Darstellungen sowohl des Satzes als auch der in einem Wissensgraphen gespeicherten Fakten zu erlernen, was die Gesamtqualität der Extraktion verbessert. Diese Fakten, einschließlich Entitätsattribute (Label, Alias, Beschreibung, Instanz-von) und faktische Tripel, wurden bisher nicht gemeinsam in den Stand-der-Technik-Methoden verwendet. Wir evaluieren den Einfluss verschiedener Formen der Darstellung des KG-Kontexts auf die Leistung von RECON. Die empirische Evaluation anhand zweier standardisierter Relationsextraktionsdatensätze zeigt, dass RECON bei den Datensätzen NYT Freebase und Wikidata alle Stand-der-Technik-Methoden deutlich übertrifft. RECON erreicht einen F1-Score von 87,23 % (gegenüber 82,29 % Baseline) beim Wikidata-Datensatz und bei NYT Freebase werden Werte von 87,5 % (P@10) und 74,1 % (P@30) gemeldet, im Vergleich zu den früheren Baseline-Werten von 81,3 % (P@10) und 63,1 % (P@30).