Este documento propone un marco de extracción relacional basado en la fusión de información de tipo de entidad mediante el modelo Transformer. La extracción relacional, como una parte importante de la construcción de grafos de conocimiento, ha recibido mucha atención en los últimos años. Los modelos existentes de extracción relacional y extracción conjunta de triples rara vez utilizan la información existente de tipo de entidad, por lo que se pierden las características semánticas del tipo de entidad, lo que resulta en un rendimiento limitado del modelo y dificultades para resolver el problema de ambigüedad. Para mejorar esta situación, este documento propone un marco de fusión de información de tipo de entidad basado en un Transformer, que puede generar una representación de vector de palabras con información de tipo de entidad para un dominio específico. Puede haber diferentes categorías de entidad para la misma palabra y las categorías de relación correspondientes son diferentes en ese momento. A través de la autoatención profunda, la representación del vector de palabras es rica en información de tipo de entidad, lo que beneficia la extracción de relaciones y la eliminación de ambigüedades. Se utiliza un Transformer de múltiples capas para realizar la interacción entre las características del texto y generar una representación profunda de vector de palabras con información de tipo de entidad, evitando efectivamente la ambigüedad. Los resultados experimentales muestran que nuestro modelo supera a los métodos existentes y se desempeña bien en contextos ambiguos en comparación con otros modelos. Destacamos la importancia de los tipos de entidad en la extracción de relaciones.