Las tareas de extracción de relaciones buscan predecir las posibles relaciones entre entidades en una oración objetivo. Dado que las menciones de entidades tienen ambigüedad en las oraciones, cierta información contextual importante puede guiar la representación semántica de las menciones de entidades para mejorar la precisión de la extracción de relaciones. Sin embargo, la mayoría de los modelos de extracción de relaciones existentes ignoran la orientación semántica de la información contextual a las menciones de entidades y tratan las menciones de entidades en el contexto textual de una oración de manera igual. Esto resulta en extracciones de relaciones de baja precisión. Para abordar este problema, proponemos un modelo de red convolucional de grafos centrado en entidades orientado semánticamente contextual (CEGCN) que permite a las menciones de entidades obtener información contextual orientada semánticamente para representaciones relacionales más precisas. Este modelo desarrolla una red neuronal mejorada con autoatención para concentrarse en la importancia y relevancia de diferentes palabras para obtener información contextual orientada semánticamente. Luego, empleamos un árbol de dependencias con entidades como nodos globales y agregamos bordes virtuales para construir una matriz de adyacencia lógica centrada en entidades (ELAM). Esta matriz permite a las entidades agregar la información contextual orientada semánticamente con un cálculo de GCN de una capa. Los resultados experimentales en los conjuntos de datos TACRED y SemEval-2010 Task 8 muestran que nuestro modelo puede utilizar eficientemente información contextual orientada semánticamente para enriquecer las representaciones semánticas de entidades y superar a modelos anteriores.