La tâche d'extraction de relations basée sur le dialogue (DialogRE) vise à prédire les relations entre des paires d'arguments qui apparaissent dans un dialogue. La plupart des études précédentes utilisent l'amélioration par apprentissage supervisé de modèles de langage pré-entraînés (PLMs) avec des caractéristiques étendues pour compléter la faible densité d'information du dialogue impliquant plusieurs locuteurs. Pour exploiter efficacement les connaissances inhérentes aux PLMs sans ajouter de couches supplémentaires et prendre en compte les indices sémantiques dispersés concernant la relation entre les arguments, nous proposons un modèle Guide avec Sémantique Relationnelle utilisant des Prompts (GRASP). Nous adoptons une approche d'amélioration par apprentissage supervisé basée sur des prompts et capturons les indices sémantiques relationnels d'un dialogue donné grâce à 1) une stratégie de marqueurs de prompts sensible aux arguments et 2) une tâche de détection des indices relationnels. Dans les expériences, GRASP atteint des performances de pointe en termes de scores F1 et F1c sur un ensemble de données DialogRE, même si notre méthode ne fait que tirer parti des PLMs sans ajouter aucune couche supplémentaire.