我们提出了一种从单个句子中提取关系（RE）的新方法，将句子和两个给定的实体映射到知识图谱（KG）中的一个规范事实。特别是在这种假设的句内关系提取设置中，单个句子的上下文通常较为稀疏。本文介绍了KGPool方法，以解决这一稀疏性问题，通过动态地从知识图谱中扩展额外的事实来扩充上下文。该方法利用神经网络学习这些事实的表示（如实体别名、实体描述等），从而补充句子的上下文信息。与现有方法静态使用所有扩展事实不同，KGPool根据句子条件性地进行扩展。我们通过在不同的神经模型和知识图谱（如Wikidata和NYT Freebase）上评估KGPool的方法来研究其有效性。实验结果表明，在标准数据集上，将KGPool表示输入图神经网络后，整体方法的准确性显著高于现有最先进方法。