Distant Supervision (DS) zielt darauf ab, großskalige heuristische Etikettierungs-Korpora zu generieren, die derzeit weit verbreitet für neuronale Relationsextraktion eingesetzt werden. Allerdings leidet sie stark unter verrauschten Etiketten und dem Problem langschwänziger Verteilungen. Viele fortschrittliche Ansätze behandeln diese beiden Probleme meist getrennt, wodurch ihre wechselseitigen Wechselwirkungen vernachlässigt werden. In diesem Artikel stellen wir einen neuen Rahmen namens RH-Net vor, der Verstärkendes Lernen (Reinforcement Learning) und ein hierarchisches relationales Suchmodul nutzt, um die Relationsextraktion zu verbessern. Wir setzen Verstärkendes Lernen ein, um das Modell anzuweisen, hochwertige Instanzen auszuwählen. Anschließend führen wir ein hierarchisches relationales Suchmodul ein, das Semantikinformationen zwischen instanzreichen und instanzarmen Klassen über korrelierende Instanzen gemeinsam nutzt. Während des iterativen Prozesses interagieren die beiden Module kontinuierlich miteinander, um sowohl das Rauschen als auch das Langschwänzige-Verteilungsproblem gleichzeitig zu verringern. Umfangreiche Experimente auf dem weit verbreiteten NYT-Datensatz zeigen eindeutig, dass unsere Methode signifikante Verbesserungen gegenüber den derzeit besten Ansätzen erreicht.