随着通信技术的发展,各种数据爆炸式增长。新闻、报刊等非结构化的长文本中含有大量有价值的信息,如何自动地抽取出这些信息成为了一个亟待解决的问题。文档级别关系抽取作为信息抽取的关键任务之一,旨在抽取长文本中众多实体之间的句内和跨句关系。本文针对文档级别关系抽取任务进行了以下研究:（1）基于上下文语义的文档级别关系抽取探究文档级别上下文语义抽取方法,及其对文档级别关系抽取性能的影响。首先,以实体为节点,构建实体交互图。然后,分别基于三种图卷积网络,对上下文语义进行编码,捕获实体相关的文档级信息,进行关系抽取。在Doc RED数据集上的实验表明,基于实体交互图,采用图卷积网络,能够有效地捕获长文本中的上下文语义信息,建模实体之间的复杂交互关系,利用多头注意力机制和稠密连接技术可以进一步提升文档级别关系抽取模型的性能。（2）基于全局上下文增强的文档级别关系抽取实体对所在的句子包含了实体对相关的局部信息,而整个文档蕴含了实体对的全局信息。提出全局上下文增强的文档级别关系抽取方法。首先,构建实体交互图。然后,利用注意力机制和门控机制,融合实体所在的全部句子信息,获得实体感知的边表示。进一步,利用层次的图卷积推理网络分别捕获丰富的实体局部信息和全局信息。最后,融合两部分信息,获得实体表示,用于推理文档级别实体关系。在Doc RED数据集上的实验表明,实体感知的边表示能够将实体相关的上下文信息融入到节点表示中,层次的图卷积推理网络可以捕获丰富的局部信息和全局信息,获得高质量的文档级别关系推理模型。（3）融合推理路径的文档级别关系抽取实体对间的路径蕴含了丰富的关系推理信息,可以给文档级别关系抽取提供显式的推理指导。首先,获取实体交互图中实体间的路径,基于节点表示、边表示等信息,构造节点对的多条路径。然后,基于注意力机制,融合多条路径,获得实体对的路径表示,辅助推理实体关系。在Doc RED数据集上的实验表明,基于注意力机制的推理路径表示学习方法,能够捕获实体对相关的推理信息。在实体表示的基础上,引入推理路径表示,能够有效地提高文档级别关系抽取性能。本文的研究在文档级别关系抽取任务上取得了先进的性能。实体交互图可以有效地建模实体之间的复杂交互关系;全局上下文增强的关系抽取方法可以捕获丰富的局部和全局信息,获得高质量的文档级别关系推理模型;融合推理路径的关系抽取方法引入实体对的推理路径表示,进一步提高了文档级别关系抽取性能。