La génération de séquences a fait preuve d'une performance prometteuse dans les récents efforts d'extraction d'information, en intégrant des modèles pré-entraînés à grande échelle de type Seq2Seq. Ce papier examine les avantages de l'utilisation de la génération de séquences pour l'extraction de relations, en mettant en évidence que, lorsque les noms de relations ou leurs synonymes sont choisis comme cibles de génération, leurs significations textuelles ainsi que les corrélations (en termes de motifs de séquence de mots) entre eux influencent significativement les performances du modèle. Nous proposons ensuite RELA (Relation Extraction with Label Augmentation), un modèle Seq2Seq doté d'une augmentation automatique des étiquettes pour l'extraction de relations. Par « augmentation des étiquettes », nous entendons la production de synonymes sémantiques pour chaque nom de relation, utilisés comme cibles de génération. Par ailleurs, nous présentons une analyse approfondie du comportement du modèle Seq2Seq lorsqu'il traite l'extraction de relations. Les résultats expérimentaux montrent que RELA atteint des performances compétitives par rapport aux méthodes antérieures sur quatre jeux de données d'extraction de relations.