Die Dokumentebene-Relationserkennung (Document-level RE) erfordert das Lesen, Schließen und Aggregieren über mehrere Sätze hinweg. Aus unserer Sicht ist es notwendig, bei der Dokumentebene-Relationserkennung Informationen aus mehreren Granularitäten zu nutzen: Entitätsebene, Satzebene und Dokumentebene. Daher stellt sich die Frage, wie man Informationen mit unterschiedlicher Granularität effektiv gewinnt und aggregiert, was bisher in vorherigen Arbeiten nicht ausreichend berücksichtigt wurde. In diesem Paper stellen wir ein Hierarchisches Inferenznetzwerk (Hierarchical Inference Network, HIN) vor, das die reichhaltigen Informationen aus der Entitätsebene, Satzebene und Dokumentebene optimal nutzt. Zur Erzielung von Entitätsebene-Inferenzinformationen werden Translationseinschränkungen und bilineare Transformationen auf das Zielentitätenpaar in mehreren Teilräumen angewendet. Anschließend modellieren wir die Inferenz zwischen den Entitätsebene-Informationen und der Satzrepräsentation, um Satzebene-Inferenzinformationen zu erhalten. Schließlich wird ein hierarchischer Aggregationsansatz verwendet, um Dokumentebene-Inferenzinformationen zu gewinnen. Auf diese Weise kann unser Modell die Inferenzinformationen aus diesen drei unterschiedlichen Granularitäten effektiv aggregieren. Experimentelle Ergebnisse zeigen, dass unsere Methode auf dem großskaligen DocRED-Datensatz eine state-of-the-art-Leistung erzielt. Außerdem zeigen wir, dass die Verwendung von BERT-Repräsentationen die Leistung erheblich weiter verbessern kann.