In jüngster Zeit wurde der Forschungsaufmerksamkeit im Bereich der Relationsextraktion verstärkt auf den Dialogkontext gerichtet, d. h. auf die Dialogebene Relationsextraktion (DiaRE). Bisherige DiaRE-Methoden fassen die Äußerungen in einem Dialog entweder einfach durch Konkatenation zu einem langen Text zusammen oder verwenden naive Wörter, Sätze oder Entitäten, um Dialoggraphen zu konstruieren, wobei die strukturellen Merkmale in Dialogen nicht ausreichend genutzt werden. In dieser Arbeit untersuchen wir einen neuartigen gemischten Abhängigkeitsgraphen auf Dialogebene (D2G) und einen Argument-Reasoning-Graphen (ARG) für DiaRE unter Einsatz einer globalen Relationsschlussfolgerungsmechanik. Zunächst modellieren wir den gesamten Dialog in einen einheitlichen und kohärenten D2G, indem wir syntaktische und diskursive Strukturen explizit integrieren, was eine reichhaltigere semantische und Merkmalslernung für die Relationsextraktion ermöglicht. Anschließend bauen wir einen ARG-Graphen auf dem D2G auf, um gezielt die Inter-Abhängigkeiten zwischen Argumenten zu lernen und die Argumentrepräsentation zu verfeinern, um eine ausreichende Inferenz von Argument-Relationen zu gewährleisten. In unserem globalen Schlussfolgerungsrahmen arbeiten D2G und ARG kooperativ und iterativ, wobei sie lexikalische, syntaktische und semantische Informationen über den gesamten Dialogkontext hinweg austauschen und repräsentieren. Auf zwei DiaRE-Benchmarks zeigt unser Framework erhebliche Verbesserungen gegenüber den derzeit besten Baselines. Zusätzliche Analysen belegen, dass das Modell effektiv das Problem der langen Abhängigkeiten löst und gleichzeitig erklärbare Vorhersagen liefert.