文档级关系抽取（RE）旨在识别多个句子中实体之间的关系。大多数先前的方法集中在完全监督下的文档级关系抽取。然而，在现实场景中，由于文档级关系抽取中的实体对数量随着实体数量的增加呈二次增长，因此完全标记文档中的所有关系既昂贵又困难。为了解决常见的不完全标记问题，我们提出了一种统一的正未标记学习框架——移位和平方排序损失正未标记（SSR-PU）学习。这是首次在文档级关系抽取中应用正未标记（PU）学习方法。考虑到数据集中的标记数据可能导致训练数据先验偏移，我们引入了在先验偏移下进行的正未标记学习。此外，通过使用非类别得分作为自适应阈值，我们提出了平方排序损失，并证明了其与多标签排序度量的贝叶斯一致性。广泛的实验表明，我们的方法在不完全标记的情况下相对于之前的基线模型提高了约14个F1分数点。此外，在完全监督和极度未标记设置下，我们的方法均优于以往的最先进结果。