Die relationale Extraktion auf Satzebene zielt hauptsächlich darauf ab, die Beziehung zwischen zwei Entitäten innerhalb eines Satzes zu klassifizieren. Korpora zur relationale Extraktion auf Satzebene enthalten oft Daten, die für das Modell schwer inferierbar sind oder Rauschdaten enthalten. In diesem Artikel stellen wir ein auf Curriculum-Learning basierendes Modell zur relationale Extraktion vor, das die Daten nach Schwierigkeitsgrad unterteilt und diese zur Lernprozessgestaltung nutzt. In Experimenten mit den repräsentativen Datensätzen zur relationale Extraktion auf Satzebene, TACRED und Re-TACRED, erreichte das vorgeschlagene Verfahren F1-Scores von jeweils 75,0 % und 91,4 %, was die derzeit beste Leistung darstellt.