文档级关系抽取（Document-Level Relation Extraction, RE）近年来受到广泛关注，原因在于大量关系事实通常分布在多个句子中。近期，基于编码器-聚合器（encoder-aggregator）的模型在文档级关系抽取任务中展现出良好的前景。然而，这类模型存在两个主要缺陷：（i）当提及项（mention）参与不同实体对时，难以以较低的计算成本获取其上下文感知的表示；（ii）忽略了目标实体对中各提及项对之间的不同权重。为解决上述问题，本文提出一种新颖的编码器-注意力器-聚合器（Encoder-Attender-Aggregator）模型，在编码器与聚合器之间引入两个注意力机制模块。具体而言，首先采用一种互注意力机制（mutual attender）对选定的头实体提及项与尾实体提及项进行处理，高效生成具有上下文感知能力的提及项表示；随后，通过一个融合注意力机制（integration attender）为特定目标实体对中的各个提及项对分配不同的权重，以增强关键信息的表达能力。在两个公开的文档级关系抽取数据集上的大量实验表明，所提出的模型在性能上优于当前最先进的基线方法。相关代码已公开发布于：https://github.com/nefujiangping/EncAttAgg。