Neben Studien zur künstlichen Intelligenz-Technologie wird auch aktiv im Bereich der Verarbeitung natürlicher Sprache geforscht, um die Sprache von Menschen zu verstehen und zu verarbeiten, also die sogenannte natürliche Sprache. Für den autonomen Lernprozess von Computern ist die Fähigkeit, natürliche Sprache zu verstehen, von entscheidender Bedeutung. Innerhalb des Feldes der Verarbeitung natürlicher Sprache gibt es eine Vielzahl von Aufgaben, wobei wir uns hier auf die Aufgabe der Namensentitäten-Identifikation (Named Entity Recognition, NER) und der Relationsextraktion konzentrieren möchten, da diese als am wichtigsten für die Verständnis von Sätzen angesehen werden. Wir stellen DeNERT-KG vor, ein Modell, das in der Lage ist, Subjekt, Objekt und Relationen zu extrahieren, um die inhärente Bedeutung eines Satzes zu erfassen. Aufbauend auf dem BERT-Sprachmodell und der Deep Q-Network-Technologie wird ein NER-Modell zur Extraktion von Subjekt und Objekt entwickelt, während zur Relationsextraktion ein Wissensgraph eingesetzt wird. Mit dem DeNERT-KG-Modell ist es möglich, aus einem Satz Subjekt, Subjekttyp, Objekt, Objekttyp und Relation zu extrahieren, wobei das Modell durch experimentelle Validierung überprüft wird.