Die Dokumentebene-Relationsextraktion zielt darauf ab, Relationen zwischen Entitäten innerhalb eines Dokuments zu extrahieren. Im Gegensatz zur Satzebene-Relationsextraktion erfordert sie eine Schlussfolgerung über mehrere Sätze innerhalb eines Dokuments. In diesem Artikel stellen wir das Graph Aggregation-and-Inference Network (GAIN) vor, das zwei unterschiedliche Graphen verwendet. GAIN erstellt zunächst einen heterogenen Erwähnungs-Ebene-Graphen (hMG), um komplexe Interaktionen zwischen verschiedenen Erwähnungen über das gesamte Dokument hinweg zu modellieren. Außerdem wird ein Entitäten-Ebene-Graph (EG) konstruiert, auf dessen Basis wir eine neuartige Pfad-Schlussfolgerungsmechanik vorschlagen, um Relationen zwischen Entitäten abzuleiten. Experimente auf dem öffentlichen Datensatz DocRED zeigen, dass GAIN im Vergleich zum vorherigen Stand der Technik eine signifikante Leistungssteigerung erzielt (2,85 auf F1). Der Quellcode ist unter https://github.com/DreamInvoker/GAIN verfügbar.