بينما تحاول الطرق الحالية للتقييم الهرمي للنصوص (HTC) التقاط هياكل التسميات لتدريب النماذج، فإنها إما تتخذ قرارات محلية بخصوص كل تسمية أو تتجاهل تمامًا معلومات الهيكل أثناء الاستدلال. لحل عدم التطابق بين التدريب والاستدلال وكذلك نمذجة اعتماديات التسميات بطريقة أكثر مبدأية، نصوغ التقييم الهرمي للنصوص كعملية قرار ماركوفية ونقترح تعلم سياسة تعيين التسميات عبر التعلم العميق بالتعزيز لتحديد مكان وضع الكائن وعندما يتوقف عملية التعيين. الطريقة المقترحة، HiLAP، تستكشف الهيكلية خلال فترة التدريب والاستدلال بشكل متسق وتتخذ قرارات متداخلة. كإطار عام، يمكن لـ HiLAP دمج مُشفرات عصبية مختلفة كنماذج أساسية للتدريب من البداية إلى النهاية. أظهرت التجارب على خمسة مجموعات بيانات عامة وأربعة نماذج أساسية أن HiLAP حققت تحسينًا متوسطه بنسبة 33.4% في Macro-F1 مقارنة بالمصنفات المستوية وأنها تتفوق بشكل كبير على أفضل الطرق الحالية للتقييم الهرمي للنصوص (HTC). يمكن العثور على البيانات والكود في https://github.com/morningmoni/HiLAP.