随着人工智能技术取得了前所未有的发展,以知识图谱为代表的知识工程以及深度学习等相关领域得到了广泛的关注。知识图谱的概念最早是由谷歌于2012年正式提出的,它是新一代知识库,主要用来描述真实世界中存在的各种实体和概念,以及他们之间的关系。知识图谱能够弥补机器学习、深度学习算法的描述能力,规则等表示形式与神经网络相比是显性的知识,因此可基于此对学习的结果,例如链接预测,提供人类可理解的解释。本文针对规则学习,提出了一种针对大型知识图谱的、基于规则学习的链接预测的有效方法,提高链接预测任务的精度,进一步将知识图谱进行补全;除此之外,将学习到的规则从语义相似性和语义相关性的角度进行进一步拓展,增加学习到的规则数量。本文提出了大型知识图谱规则学习系统R-Linker,并基于规则进行链接预测和规则扩展,其具体研究内容与创新点在于以下几个方面:首先,针对规则学习部分,本文提出分层采样算法,并将采样过程与规则搜索过程有机结合,大大降低了系统在计算上的消耗,提高了系统的运行效率;利用向量嵌入优化得分函数,使得在保持向量嵌入信息量的同时减少中间计算量;将规则评估过程的计算过程与质量评估置信度结合,提出针对规则头部评估的优化措施。其次,基于规则学习的结果,提出基于规则推理的链接预测方法,并且将规则进一步进行语义扩展,创新性的结合基于嵌入的方法和传统的归纳逻辑编程的思想,挖掘语义相似性和相关性高的关系进行规则原子的替换,从而生成更多的高质量规则。由实验结果验证可知,R-Linker相较当前最先进的规则学习系统,在系统的运行效率、规则的数量以及链接预测任务的准确率上体现出了较明显的优势。