Die Extraktion von Beziehungen auf Dokumentebene hat in den letzten Jahren erhebliche Aufmerksamkeit erfahren. Sie wird üblicherweise als Klassifizierungsaufgabe formuliert, bei der Beziehungen für alle Entitätspaare innerhalb eines Dokuments vorhergesagt werden. Allerdings repräsentieren bisherige Ansätze intra- und inter-sentenzielle Beziehungen ununterschiedlich, was die unterschiedlichen Muster für ihre Vorhersage vermischt. Zudem erstellen sie ein Dokument-Graphen und nutzen Pfade zwischen Entitäten im Graphen als Hinweise für logisches Schlussfolgern. Allerdings können nicht alle Entitätspaare über einen Pfad verbunden werden, und nicht alle Pfade im Graphen entsprechen korrekten logischen Schlussketten. Daher bleiben viele Fälle logischer Schlussfolgerung unerfasst. In diesem Paper stellen wir eine effektive Architektur, SIRE, vor, die intra- und inter-sentenzielle Beziehungen unterschiedlich repräsentiert. Wir entwickeln ein neues und unkompliziertes Modul für logisches Schlussfolgern, das eine größere Anzahl logischer Schlussketten abdecken kann. Experimente auf öffentlichen Datensätzen zeigen, dass SIRE die bisherigen state-of-the-art-Methoden übertrifft. Eine weitere Analyse belegt, dass unsere Vorhersagen zuverlässig und erklärbare sind. Der Quellcode ist unter https://github.com/DreamInvoker/SIRE verfügbar.