Die Relationserkennung ist eine der wichtigsten Aufgaben im Bereich der Informationsextraktion und gleichzeitig ein zentraler Bestandteil von Systemen, die eine relationale Verständnisstruktur unstrukturierter Texte erfordern. Bestehende Ansätze zur Relationserkennung stützen sich hauptsächlich auf externe Ressourcen und Hintergrundwissen, um die Leistungsfähigkeit zu verbessern, und ignorieren dabei die Korrelationen zwischen Entitätspaaren, die für die Relationserkennung jedoch von erheblichem Nutzen sind. Wir führen das Konzept eines Entitätspaargraphen ein, um die Beziehungen zwischen Entitätspaaren zu repräsentieren, und stellen ein neuartiges, auf einem Entitätspaargraphen basierendes neuronales Netzwerk (EPGNN) vor, das auf einem Graphen-Convolutional-Network (GCN) beruht, um die topologischen Merkmale eines Entitätspaargraphen zu erfassen. Das EPGNN kombiniert semantische Merkmale von Sätzen, die durch ein vortrainiertes BERT-Modell generiert wurden, mit den topologischen Merkmalen des Graphen zur Relationserkennung. Unser vorgeschlagenes Modell nutzt eine gegebene Korpus vollständig aus und verzichtet dabei auf externe Ressourcen und Hintergrundwissen. Die experimentellen Ergebnisse auf zwei weit verbreiteten Datensätzen – SemEval 2010 Task 8 und ACE 2005 – zeigen, dass unsere Methode die derzeit besten Ansätze übertrifft.