استخراج اطلاعات یعنی استخراج موجودیت ها، روابط بین آن ها و رویدادها از متن یکی از راهکارهای اساسی برای ارتقاء عملکرد سیستم های مبتنی بر پردازش متن مانند پرسش و پاسخ ترجمه ماشینی و غیره است. استخراج اطلاعات تابع پارامترهای مختلفی مانند تطابق ساختار رشته ای، جنسیت، تعداد و ساختار معنایی کلمات است. در این مقاله با در نظر گرفتن تک تک این معیار ها و اهداف استخراج اطلاعات مانند کاهش نرخ خطا در تشخیص موجودیت ها و افزایش معیارهای دقت و صحت، مسئله را در قالب پارامترهای موثر درکارایی مدل کرده، سپس مدل فوق را با استفاده از تکنیک یادگیری تقویتی که یکی از پرکاربردترین تکنیک های یادگیری در زمینه پردازش متن است، حل می کنیم. در این روش استخراج موجودیت ها و روابط بین آن ها بر اساس ارزش اختصاص یافته به هر یک از معیارهای وابستگی صورت می گیرد که بر اساس منطق یادگیری تقویتی تعیین می شود. جهت بررسی کارایی این روش شبیه سازی های گسترده ای صورت گرفته است که نشان می دهد، روش پیشنهادی نسبت به روش های اخیر از نقطه نظرات دقت، صحت و F۱ ، تحت معیارهای جهانی B۳ ،MUC، CEAF_ϕ۴، تشخیص موجودیت و روابط عملکرد بسیار بهتری دارد.