L'extraction de triplets d'aspect-sentiment (ASTE) est la tâche consistant à extraire des triplets formés de termes d'aspect, des sentiments associés et des termes d'opinion qui fournissent des preuves pour ces sentiments exprimés. Les approches précédentes en ASTE extrayaient généralement simultanément les trois composantes ou identifiaient d'abord les termes d'aspect et d'opinion avant de les associer pour prédire leurs polarités sentimentales. Dans ce travail, nous présentons un nouveau paradigme, ASTE-RL, en considérant les termes d'aspect et d'opinion comme des arguments du sentiment exprimé dans un cadre de apprentissage par renforcement hiérarchique (RL). Nous nous concentrons d'abord sur les sentiments exprimés dans une phrase, puis identifions les termes cibles d'aspect et d'opinion correspondant à ce sentiment. Cette méthode prend en compte les interactions mutuelles entre les composantes du triplet tout en améliorant l'exploration et l'efficacité échantillonnale. De plus, cette configuration de RL hiérarchique nous permet de traiter plusieurs triplets superposés. Dans nos expériences, nous évaluons notre modèle sur des jeux de données existants issus des domaines des ordinateurs portables et des restaurants, et montrons qu'il atteint des performances de pointe. L'implémentation de ce travail est disponible au public sur https://github.com/declare-lab/ASTE-RL.