L'extraction conjointe d'entités et de relations est une tâche essentielle dans l'extraction d'information, visant à extraire l'ensemble des triples relationnels à partir de textes non structurés. Toutefois, peu de travaux existants prennent en compte les informations potentielles sur les relations entre entités avant leur extraction, ce qui peut entraîner le fait que la majorité des entités extraites ne puissent former de triples valides. Dans cet article, nous proposons une méthode d'infusion itérative de représentations basée sur les réseaux de neurones graphes hétérogènes pour l'extraction de relations (RIFRE). Nous modélisons les relations et les mots comme des nœuds sur un graphe, et fusionnons itérativement ces deux types de nœuds sémantiques via un mécanisme d'échange de messages afin d'obtenir des représentations de nœuds plus adaptées aux tâches d'extraction de relations. Le modèle effectue l'extraction de relations après mise à jour des représentations des nœuds. Nous évaluons RIFRE sur deux jeux de données publics d'extraction de relations : NYT et WebNLG. Les résultats montrent que RIFRE permet une extraction efficace des triples et atteint des performances de pointe. En outre, RIFRE est également adaptée à la tâche de classification de relations, surpassant significativement les méthodes précédentes sur le jeu de données SemEval 2010 Task 8.