Aspect Sentiment Triplet Extraction (ASTE) ist die Aufgabe, Triplette aus Aspekttermen, den ihnen zugeordneten Stimmungen und den Meinungstermen zu extrahieren, die Beweise für die ausgedrückten Stimmungen liefern. Frühere Ansätze zur ASTE extrahierten in der Regel alle drei Komponenten gleichzeitig oder identifizierten zunächst die Aspekt- und Meinungsterme, um dann ihre Stimmungs-Polaritäten vorherzusagen. In dieser Arbeit stellen wir ein neues Paradigma, ASTE-RL, vor, indem wir die Aspekt- und Meinungsterme als Argumente des ausgedrückten Stimmungsaspekts in einem hierarchischen Reinforcement-Learning-(RL)-Framework betrachten. Zunächst konzentrieren wir uns auf die in einem Satz ausgedrückten Stimmungen und identifizieren dann die zielgerichteten Aspekt- und Meinungsterme für diese Stimmungen. Dies berücksichtigt die gegenseitigen Interaktionen zwischen den Komponenten des Triplettes und verbessert gleichzeitig Exploration und Probeneffizienz. Darüber hinaus ermöglicht dieses hierarchische RL-Setup uns, mit mehreren und überlappenden Tripletten umzugehen. In unseren Experimenten bewerten wir unser Modell anhand bestehender Datensätze aus den Bereichen Laptops und Restaurants und zeigen, dass es den aktuellen Stand der Technik erreicht. Die Implementierung dieser Arbeit ist öffentlich verfügbar unter https://github.com/declare-lab/ASTE-RL.