La extracción de entidades y relaciones, como parte crucial de muchas tareas en el procesamiento del lenguaje natural, transforma la información de texto no estructurado en información estructurada y proporciona soporte de datos correspondiente para la construcción de grafos de conocimiento (KG) y bóvedas de conocimiento (KV). Sin embargo, los métodos de extracción de relaciones más comunes, el método de canalización y el método conjunto, ignoran la dependencia entre la entidad sujeto y la entidad objeto. Este trabajo introduce un modelo BERT preentrenado y una red neuronal convolucional dilatada con compuertas (DGCNN) como codificador para distinguir la representación semántica de largo alcance de la secuencia de entrada. Además, proponemos una red neuronal de atención cruzada como decodificador para aprender la importancia de cada palabra sujeta para cada palabra de la secuencia de entrada. Se realizaron experimentos con dos conjuntos de datos extensos, el Corpus del New York Times (NYT) y el Corpus de WebNLG, y demostraron que nuestro modelo tiene un rendimiento significativamente mejor que el modelo CasRel, superando la línea base en un 1.9% y 0.7% de ganancia absoluta en términos de puntuación F1.