ドキュメントレベルの関係抽出は、ドキュメント内に存在するエンティティ間の関係を抽出することを目的としている。文レベルの関係抽出とは異なり、ドキュメント全体にわたる複数の文にわたる推論を必要とする。本論文では、二重グラフ構造を特徴とするグラフ集約・推論ネットワーク（GAIN）を提案する。GAINはまず、ドキュメント全体にわたる異なる参照表現（メンション）間の複雑な相互作用をモデル化するため、異種のメンションレベルグラフ（hMG）を構築する。さらに、エンティティレベルグラフ（EG）を構築し、その上で新たなパス推論メカニズムを提案することで、エンティティ間の関係を推論する。公開データセットDocREDにおける実験の結果、GAINは従来の最先端手法に対してF1スコアで2.85の顕著な性能向上を達成した。本研究のコードは、https://github.com/DreamInvoker/GAIN にて公開されている。