Wir präsentieren eine neuartige Methode zur Relationsextraktion (RE) aus einem einzelnen Satz, die den Satz und zwei gegebene Entitäten auf einen kanonischen Fakt in einem Wissensgraphen (KG) abbildet. Insbesondere in diesem angenommenen satzbasierten RE-Szenario ist der Kontext eines einzelnen Satzes oft dünn besetzt. In dieser Arbeit wird die KGPool-Methode vorgestellt, um diese Dünnbesetztheit zu beheben, indem der Kontext dynamisch mit zusätzlichen Fakten aus dem Wissensgraphen erweitert wird. Diese Methode lernt die Repräsentation dieser Fakten (Entitätssynonyme, Entitätsbeschreibungen usw.) mithilfe neuronaler Methoden und ergänzt damit den satzbasierten Kontext. Im Gegensatz zu bestehenden Methoden, die alle erweiterten Fakten statisch verwenden, konditioniert KGPool diese Erweiterung auf den Satz. Wir untersuchen die Effektivität von KGPool, indem wir es mit verschiedenen neuronalen Modellen und Wissensgraphen (Wikidata und NYT Freebase) evaluieren. Unsere experimentelle Auswertung an Standarddatensätzen zeigt, dass durch das Einfließen der KGPool-Repräsentation in ein Graph-Neuronales Netzwerk die Gesamtmethode erheblich genauer als state-of-the-art-Methoden ist.