La Extracción de Relaciones Supervisada a Distancia (DSRE) tiene como objetivo identificar automáticamente relaciones semánticas dentro de grandes corpus de texto alineándose con bases de conocimiento externas. A pesar del éxito de los métodos actuales en la automatización de la anotación de datos, introducen dos desafíos principales: el ruido de etiquetas y la distribución de datos en cola larga. El ruido de etiquetas resulta en anotaciones inexactas, lo que puede socavar la calidad de la extracción de relaciones. El problema de la cola larga, por otro lado, conduce a un modelo desequilibrado que lucha por extraer relaciones menos frecuentes y de cola larga. En este artículo, introducimos un nuevo marco de extracción de relaciones basado en atención jerárquica de múltiples niveles. Este enfoque utiliza Redes de Atención de Grafos (GATs) para modelar la estructura jerárquica de las relaciones, capturando las dependencias semánticas entre los tipos de relaciones y generando incrustaciones de relaciones que reflejan el marco jerárquico general. Para mejorar el proceso de clasificación, incorporamos una estructura de clasificación de múltiples niveles guiada por atención jerárquica, que mejora la precisión tanto de la extracción de relaciones de cabeza como de cola. Se introduce una restricción de probabilidad local para garantizar la coherencia a través de los niveles de clasificación, fomentando la transferencia de conocimiento de relaciones frecuentes a menos frecuentes. Las evaluaciones experimentales en el conjunto de datos del New York Times (NYT) demuestran que nuestro método supera las líneas base existentes, particularmente en el contexto de la extracción de relaciones de cola larga, ofreciendo una solución integral a los desafíos del DSRE.