La plupart des méthodes existantes déterminent les types de relations uniquement après que toutes les entités ont été reconnues, ce qui entraîne une modélisation incomplète de l'interaction entre les types de relations et les mentions d'entités. Cet article présente un nouveau paradigme pour traiter l'extraction de relations en considérant les entités liées comme des arguments d'une relation. Nous appliquons un cadre d'apprentissage par renforcement hiérarchique (ARH) dans ce paradigme afin d'améliorer l'interaction entre les mentions d'entités et les types de relations. Le processus global d'extraction est décomposé en une hiérarchie de deux niveaux de politiques d'AR, respectivement pour la détection des relations et l'extraction des entités, rendant ainsi la gestion des relations chevauchantes plus réalisable et naturelle. Notre modèle a été évalué sur des jeux de données publics collectés par supervision distante, et les résultats montrent qu'il obtient de meilleures performances que les méthodes existantes et est plus puissant pour extraire des relations chevauchantes.