本論文では、RECONと名付けられた新しい手法を提案します。この手法は、文章内の関係を自動的に識別（文内関係抽出）し、それを知識グラフ（KG）に合わせるためのものです。RECONは、グラフニューラルネットワークを使用して、文章とKGに保存されている事実の両方の表現を学習することで、全体的な抽出品質を向上させます。これらの事実は、エンティティ属性（ラベル、エイリアス、説明、インスタンスオブ）や事実トリプルなどであり、これまで最先端の手法では総合的に利用されていませんでした。我々は、KGコンテキストを表す様々な形式がRECONの性能に及ぼす影響を評価しました。2つの標準的な関係抽出データセットにおける経験的評価結果は、RECONがNYT FreebaseおよびWikidataデータセットにおいてすべての最先端手法を大幅に上回ることを示しています。Wikidataデータセットでは、RECONが87.23のF1スコア（ベースラインは82.29）を報告しており、NYT FreebaseデータセットではP@10で87.5、P@30で74.1となりました。これは以前のベースラインスコアであるP@10で81.3およびP@30で63.1と比較すると優れた結果です。