随着物联网及社交网络近几年的迅速发展,相关数据迅速爆炸式增长,困扰人们的问题往往不是数据不足,而是信息过载。张量和知识图谱可以有效地组织不规则的异构数据,如何从它们的结构特征出发,挖掘出数据的隐关联特征,在多元关联分析领域具有很重要的价值。然而,实际数据中存在的非直接关系和非对称关系使得部分实体间的关系难以得到准确的预测,如何分析这些关系成为亟待解决的问题。大多数现有的关系分析预测模型主要针对直接关系与对称关系的预测,缺乏对非直接关系与非对称关系预测的优秀解决方案,部分模型依靠深度神经网络具有对局部非直接关系预测的能力,但算法时间复杂度较高且不具备较好的可解释性。针对数据中的非直接关系,本文提出了ARCCS（Association Rule algorithm Combined with Classical Statistics）模型,该模型将张量看作矩阵的高维表达形式,使用改进的FGMDGCD（Fast Greedy Multi-Dimensional Graph Community Detection）算法来进行低维度内单矩阵的关系聚类分析,使用改进的Apriori算法进行高维度的多矩阵关联分析,使用经典统计检验算法来对结果进行假设检验。针对数据中的非对称关系,本文提出了CPE（CP decomposition and Embedding method）模型,该模型使用张量分解和词嵌入表示以完成知识图谱中关系的预测任务,得益于模型为非对称关系的两个实体赋予不同权重,CPE模型尤其适合捕捉知识图谱中非对称关系的特点。最后,本文综合以上两种模型提出了MAAH（Multiple Association Analysis Hybrid recommendation system,MAAH）模型,该模型综合了两种模型的优点,深入挖掘了电影推荐系统中电影和用户之间的非直接关系与非对称关系。本文提出的三种模型对多元关联数据中存在的非直接关系与非对称关系都做出了很好的预测与分析,在相关数据集上的结果表明,ARCCS模型相比早先较优秀的模型有2.98%的提升,与其他的最新线性模型相比,CPE模型具有高达10%的改进,MAAH推荐模型相比早先表现较好的模型具有10%左右的提升。