摘要

从句子级向文档级推进，关系抽取（Relation Extraction, RE）研究面临文本长度增加以及实体间交互关系更加复杂的挑战。因此，如何有效编码关键信息源——相关上下文与实体类型——变得尤为困难。然而，现有方法在训练过程中仅隐式地学习建模这些关键信息源，导致其存在监督信号效率低下以及模型预测缺乏可解释性等问题。相比之下，本文提出一种显式指导模型捕捉相关上下文与实体类型的新方法——通过监督与增强中间步骤（Supervising and Augmenting Intermediate Steps, SAIS）来实现关系抽取。基于一系列精心设计的多样化任务，所提出的SAIS方法不仅因更有效的监督机制而提升了关系抽取的质量，还能更准确地检索出支持性证据，从而显著增强模型的可解释性。此外，通过评估模型不确定性，SAIS进一步结合基于证据的数据增强与集成推理策略，在提升性能的同时有效降低了计算开销。最终，SAIS在三个主流基准数据集（DocRED、CDR 和 GDA）上均取得了当前最优的性能表现，在DocRED上的证据检索任务中，F1分数相对第二名提升了5.04%。