Les arbres de dépendance transmettent des informations structurales riches qui se sont révélées utiles pour extraire les relations entre entités dans le texte. Cependant, l'utilisation efficace des informations pertinentes tout en ignorant les informations non pertinentes provenant de ces arbres de dépendance reste une question de recherche difficile. Les approches existantes qui emploient des stratégies de coupure stricte basées sur des règles pour sélectionner les structures de dépendance partielles pertinentes ne produisent pas toujours des résultats optimaux. Dans ce travail, nous proposons les Réseaux de Convolution Graphique Guidés par l'Attention (AGGCNs), un modèle novateur qui prend directement en entrée des arbres de dépendance complets. Notre modèle peut être considéré comme une approche de coupure douce qui apprend automatiquement comment porter une attention sélective aux sous-structures pertinentes utiles pour la tâche d'extraction de relations. Des résultats exhaustifs sur diverses tâches, y compris l'extraction de relations n-aire inter-sentences et l'extraction de relations au niveau des phrases à grande échelle, montrent que notre modèle est capable d'exploiter davantage les informations structurelles des arbres de dépendance complets, offrant ainsi des résultats significativement meilleurs que les approches précédentes.