Los métodos recientes de extracción de triples relacionales se centran principalmente en el problema de superposición y logran un rendimiento considerable. La mayoría de los enfoques anteriores extraen triples condicionados únicamente por palabras de contexto, pero ignoran las posibles relaciones entre las entidades extraídas, lo que causará incompletitud en la construcción de Grafos de Conocimiento (KGs) sucesivos. Dado que los triples relevantes dan una pista para establecer conexiones implícitas entre entidades, proponemos una Red de Relación Triple () para extraer triples de manera conjunta, especialmente para manejar la extracción de triples implícitos. Específicamente, diseñamos un módulo de codificación de pares de entidades basado en atención para identificar todos los pares de entidades normales directamente. Para construir conexiones implícitas entre estas entidades extraídas en triples, utilizamos nuestro módulo de razonamiento triple para calcular la relevancia entre dos triples. Luego, seleccionamos los pares de triples más relevantes y los transformamos en pares de entidades implícitas para predecir las relaciones implícitas correspondientes. Utilizamos un objetivo de emparejamiento bipartito para emparejar triples normales y triples implícitos con las etiquetas correspondientes. Experimentos extensos demuestran la efectividad del método propuesto en dos benchmarks públicos, y nuestro modelo propuesto supera significativamente a los baselines fuertes anteriores.