Dans cet article, nous présentons une nouvelle méthode nommée RECON, qui identifie automatiquement les relations dans une phrase (extraction de relations sententielles) et les aligne à un graphe de connaissances (KG). RECON utilise un réseau neuronal graphique pour apprendre des représentations à la fois de la phrase et des faits stockés dans un KG, améliorant ainsi la qualité globale de l'extraction. Ces faits, incluant les attributs d'entités (étiquette, alias, description, instance-de) et les triplets factuels, n'ont pas été utilisés collectivement dans les méthodes de pointe actuelles. Nous évaluons l'effet de diverses formes de représentation du contexte du KG sur les performances de RECON. L'évaluation empirique sur deux ensembles de données standard d'extraction de relations montre que RECON surpasse significativement toutes les méthodes de pointe actuelles sur les ensembles de données NYT Freebase et Wikidata. RECON rapporte un score F1 de 87,23 (contre 82,29 pour la méthode de base) sur l'ensemble de données Wikidata, tandis que sur NYT Freebase, les valeurs rapportées sont 87,5 (P@10) et 74,1 (P@30), comparées aux scores précédents de 81,3 (P@10) et 63,1 (P@30).