摘要
文档级关系抽取（Document-Level Relation Extraction, RE）旨在识别句子内部及跨句子表达的关系。近年来的研究表明，基于图的方法通过构建捕捉文档级上下文感知交互的文档级图结构，能够获得更具意义的实体表示，从而有效提升文档级关系抽取的性能。现有方法通常侧重于整个图结构的建模，或仅关注图中特定部分，例如目标实体对之间的路径信息。然而，我们发现，同时兼顾整体图结构与局部路径信息，可能更有利于文档级关系抽取任务。为此，为获取更全面的实体表示，我们提出了一种粗粒度到细粒度的实体表示模型（Coarse-to-Fine Entity Representation, CFER），该模型采用分阶段的粗粒度到细粒度策略，包含两个阶段：首先，CFER利用图神经网络在粗粒度层面整合整个图的全局信息；随后，利用该全局信息作为引导，精细地选择性聚合目标实体对之间的路径信息。在分类阶段，我们将两个层次的实体表示进行融合，生成更为全面的表示以用于关系抽取。在两个主流文档级关系抽取数据集DocRED和CDR上的实验结果表明，CFER显著优于现有模型，并在标签分布不均衡的情况下仍表现出良好的鲁棒性。