استخراج العلاقات على مستوى المستند يهدف إلى تحديد العلاقات بين الكيانات في مستند كامل. اعتمدت الجهود السابقة لالتقاط الاعتماديات طويلة المدى بشكل كبير على تمثيلات قوية بشكل ضمني تم تعلمها من خلال الشبكات العصبية (الرسمية)، مما يجعل النموذج أقل شفافية. ولحل هذه التحديات، نقترح في هذه الورقة نموذجًا احتماليًا جديدًا يُدعى LogiRE، لاستخراج العلاقات على مستوى المستند من خلال تعلّم قواعد منطقية. يعامل LogiRE القواعد المنطقية كمتغيرات خفية، ويتكون من وحدتين رئيسيتين: مُولّد القواعد ومستخرج العلاقات. يُستخدم مُولّد القواعد لتكوين قواعد منطقية محتملة المساعدة في التنبؤات النهائية، بينما يقوم مستخرج العلاقات بإصدار التنبؤات النهائية بناءً على القواعد المنطقية المولدة. يمكن تحسين هاتين الوحدتين بكفاءة باستخدام خوارزمية التوقع-التحديث (EM). وبإدخال القواعد المنطقية إلى الشبكات العصبية، يُمكن لـ LogiRE التقاط الاعتماديات طويلة المدى بشكل صريح، مع التمتع بتحسين في القدرة على التفسير. أظهرت النتائج التجريبية أن LogiRE يتفوّق بشكل ملحوظ على عدة نماذج أساسية قوية من حيث أداء العلاقات (بفارق 1.8 نقطة في دقة F1) والاتساق المنطقي (بفارق أكثر من 3.3 نقطة في مقياس المنطق). يمكن الوصول إلى الكود الخاص بنا من خلال الرابط: https://github.com/rudongyu/LogiRE.