Die Relationsextraktion bietet das Potenzial für die Erstellung von groß angelegten Wissensgraphen, jedoch berücksichtigen aktuelle Methoden nicht die Qualifikatorattribute für jedes Relationstripel, wie zum Beispiel Zeit, Menge oder Ort. Diese Qualifikatoren bilden hyperrelationale Fakten, die die reichhaltige und komplexe Struktur von Wissensgraphen besser erfassen. Zum Beispiel kann der Relationstripel (Leonard Parker, Ausgebildet an, Harvard University) durch den Hinzufügen des Qualifikators (Endzeit, 1967) faktisch angereichert werden. Daher schlagen wir die Aufgabe der hyperrelationale Extraktion vor, um spezifischere und vollständigere Fakten aus Texten zu extrahieren. Um diese Aufgabe zu unterstützen, haben wir HyperRED erstellt, einen groß angelegten und allgemeinen Datensatz. Bestehende Modelle können keine hyperrelationale Extraktion durchführen, da dies ein Modell erfordert, das die Interaktion zwischen drei Entitäten berücksichtigt. Deshalb schlagen wir CubeRE vor, ein kubusfüllendes Modell, das sich an tabellenfüllenden Ansätzen orientiert und explizit die Interaktion zwischen Relationstripeln und Qualifikatoren berücksichtigt. Um die Skalierbarkeit des Modells zu verbessern und das Negative-Klasse-Imbalance zu reduzieren, schlagen wir außerdem eine Kubusverfeinerungsmethode vor. Unsere Experimente zeigen, dass CubeRE starke Baseline-Modelle übertrifft und mögliche Forschungsrichtungen für zukünftige Arbeiten aufdeckt. Unser Code und unsere Daten sind unter github.com/declare-lab/HyperRED verfügbar.