L'extraction de relations à l'échelle du document (RE) consiste à extraire des relations exprimées à l'intérieur d'une même phrase ainsi qu'entre différentes phrases. Les travaux récents montrent que les méthodes basées sur les graphes, qui construisent généralement un graphe au niveau du document capturant les interactions contextuelles, permettent d’obtenir des représentations d’entités utiles, contribuant ainsi à la résolution de tâches d’extraction de relations à l’échelle du document. Ces approches se concentrent soit principalement sur l’ensemble du graphe, soit sur une partie spécifique de celui-ci, par exemple les chemins entre une paire d’entités cibles. Toutefois, nous constatons que l’extraction de relations à l’échelle du document pourrait bénéficier d’une attention simultanée aux deux aspects. Ainsi, afin d’obtenir des représentations d’entités plus complètes, nous proposons le modèle CFER (Coarse-to-Fine Entity Representation), qui adopte une stratégie de type grossier-vers-fin impliquant deux phases. Premièrement, CFER utilise des réseaux de neurones graphiques pour intégrer l’information globale contenue dans l’ensemble du graphe à un niveau grossier. Ensuite, CFER exploite cette information globale comme guide afin d’agréger de manière sélective les informations de chemin entre la paire d’entités cibles à un niveau fin. Dans la phase de classification, nous combinons les représentations d’entités issues des deux niveaux pour former des représentations plus complètes, adaptées à l’extraction de relations. Les résultats expérimentaux sur deux jeux de données d’extraction de relations à l’échelle du document, DocRED et CDR, montrent que CFER surpasser les modèles existants et se révèle robuste face à une distribution inégale des étiquettes.