La mayoría de los trabajos anteriores sobre extracción de relaciones entre entidades nombradas a menudo se limitan a extraer los tipos predefinidos; lo cual es ineficiente para datos de texto no etiquetados masivos. Recientemente; con la aparición de varias representaciones distribucionales de palabras; los métodos no supervisados para muchas tareas de procesamiento del lenguaje natural (NLP) han sido ampliamente investigados. En este documento; nos enfocamos en un nuevo hallazgo de extracción de relaciones no supervisada; que se llama representación de relación distribucional. Sin requerir los tipos predefinidos; la representación de relación distribucional tiene como objetivo aprender automáticamente vectores de entidades y estimar más adelante la similitud semántica entre estas entidades. Elegimos los vectores globales (GloVe) como nuestro modelo original para entrenar vectores de entidades debido a su excelente equilibrio entre contexto local y estadísticas globales en todo el corpus. Para entrenar el modelo de manera más eficiente; mejoramos el modelo tradicional de GloVe utilizando la similitud del coseno entre vectores de entidades para aproximar las ocurrencias de las entidades en lugar del producto punto. Debido a que la similitud del coseno puede convertir el vector en un vector unitario; es intuitivamente más razonable y converge más fácilmente a un óptimo local. Llamamos al modelo mejorado RGloVe. Los resultados experimentales en un corpus masivo de Sina News muestran que nuestro modelo propuesto supera a los vectores globales tradicionales. Finalmente; se introduce una base de datos de gráficos de Neo4j para almacenar estas relaciones entre entidades nombradas. La ventaja competitiva más destacada de Neo4j es que proporciona una forma altamente accesible de consultar las relaciones directas e indirectas entre entidades.