Die relationsbasierte Extraktion aus Dialogen (RE) hat das Ziel, die Beziehungen zwischen zwei Argumenten zu extrahieren, die in einem Dialog auftreten. Da Dialoge die Eigenschaften einer hohen Häufigkeit persönlicher Pronomen und einer geringen Informationsdichte aufweisen und die meisten relationalen Fakten in Dialogen nicht durch einen einzelnen Satz gestützt werden, erfordert die relationsbasierte Extraktion aus Dialogen ein umfassendes Verständnis des Dialogs. In dieser Arbeit schlagen wir das TUrn COntext awaRE Graph Convolutional Network (TUCORE-GCN) vor, das darauf abzielt, den Weg zu modellieren, wie Menschen Dialoge verstehen. Darüber hinaus stellen wir einen neuen Ansatz vor, der die Aufgabe der Emotionserkennung in Konversationen (ERC) als eine relationsbasierte Extraktion aus Dialogen behandelt. Experimente mit einem relationsbasierten RE-Datensatz und drei ERC-Datensätzen zeigen, dass unser Modell in verschiedenen dialogbasierten natürlichsprachlichen Verarbeitungsaufgaben sehr effektiv ist. In diesen Experimenten übertrifft TUCORE-GCN die bislang besten Modelle auf den meisten Benchmark-Datensätzen. Unser Code ist unter https://github.com/BlackNoodle/TUCORE-GCN verfügbar.