私たちは単一の文から関係抽出（Relation Extraction: RE）を行う新しい手法を提案します。この手法は、文と与えられた2つのエンティティを知識グラフ（Knowledge Graph: KG）内の標準的な事実にマッピングします。特に、この想定される文のRE設定では、単一の文のコンテキストがしばしば希薄であることが問題となります。本論文では、この希薄さに対処するためにKGPool手法を導入します。KGPoolは、KGから追加の事実を動的にコンテキストに拡張することで、コンテキストを補完します。これらの事実（エンティティの別名、エンティティの説明など）の表現はニューラルネットワークを使用して学習され、文のコンテキストを補完します。既存の手法が静的にすべての拡張された事実を使用するのとは異なり、KGPoolは文に基づいてこの拡張を行います。我々は異なるニューラルモデルとKG（WikidataおよびNYT Freebase）を使用してKGPoolの効果を評価しました。標準的なデータセットでの実験評価により、KGPool表現をグラフニューラルネットワークに投入することで、全体的な手法が最先端の方法よりも有意に精度が高いことが示されました。