تهدف التدريب المُبَعَّد (DS) إلى إنتاج مجموعة تسمية كبيرة النطاق بناءً على قواعد تحليلية، وهي تُستخدم على نطاق واسع حاليًا في استخراج العلاقات العصبية. ومع ذلك، يعاني هذا الأسلوب بشدة من مشكلة التسمية الضوضائية وتوزيعات الطول الطويل (Long-tail). تتعامل العديد من الطرق المتقدمة مع هاتين المشكلتين بشكل منفصل، مما يؤدي إلى إغفال التفاعل المتبادل بينهما. في هذا البحث، نقترح إطارًا جديدًا يُسمى RH-Net، الذي يستخدم التعلم التعلّمي (Reinforcement Learning) ووحدة البحث الهرمي للعلاقات لتحسين استخراج العلاقات. نستفيد من التعلم التعلّمي لتوجيه النموذج لاختيار الأمثلة عالية الجودة. ثم نقترح وحدة البحث الهرمي للعلاقات لمشاركة المعاني بين الأمثلة المرتبطة بين الفئات الغنية بالبيانات والفئات الفقيرة بالبيانات. خلال العملية التكرارية، تستمر هاتان الوحدتان في التفاعل لمعالجة مشكلتي الضوضاء وتوزيع الطول الطويل في آن واحد. أظهرت تجارب واسعة على مجموعة بيانات NYT المستخدمة على نطاق واسع تحسنًا كبيرًا في أداء طريقة الاقتراح مقارنةً بالأساليب الحالية المتطورة.