L’extraction de relations à l’échelle du document (DRE) vise à identifier les relations entre deux entités. L’entité peut correspondre à plusieurs mentions qui s’étendent au-delà des limites des phrases. Peu d’études antérieures se sont penchées sur l’intégration des mentions, ce qui peut poser problème, car les mentions coreférentielles ne contribuent pas de manière égale à une relation spécifique. En outre, les approches antérieures se concentrent principalement sur le raisonnement au niveau des entités, plutôt que sur la capture des interactions globales entre les paires d’entités. Dans cet article, nous proposons deux techniques novatrices, l’intégration de mentions guidée par le contexte (CGM) et le raisonnement inter-paires (IR), regroupées sous le nom de modèle CGM2IR, afin d’améliorer la DRE. Contrairement à une simple moyenne par pooling, les contextes sont exploités pour guider l’intégration des mentions coreférentielles selon une somme pondérée. Par ailleurs, le raisonnement inter-paires met en œuvre un algorithme itératif sur le graphe des paires d’entités, permettant ainsi de modéliser les dépendances interrelationnelles. Nous évaluons notre modèle CGM2IR sur trois jeux de données standard largement utilisés : DocRED, CDR et GDA. Les résultats expérimentaux montrent que notre modèle surpasser les modèles d’état de l’art précédents.