利用图的结构实现关系推理：PRA
基于思想：将连接两个实体的路径作为特征来预测其间可能存在的关系。
基于规则学习的方法：AMIE
知识图谱中的规则可以用以下形式表示：
B1ΛB2Λ.....ΛBn=>H
其中B1ΛB2Λ.....ΛBn表示规则的body部分，有n个原子（atom）组成，H表示规则的head部分，由一个原子组成，每个原子A可以表示为A=r（x，y）形式，r表示原子包含的关系，x，y表示变量。
本demo中AMIE学习的规则为所有规则中的一个子集，即闭环的联通规则，也可以叫做路径规划：
r（x，z1）Λr2（z1，z2）Λ...rn（zn-1，y）=>r（x，y）
简化为B=>r0（x，y）
如果规则中的所有变量替换为具体的实体并保证每个实例化后的atom都存在图谱中，这样规则实例化后的结果成为规则的一个grounding。
规则的几个统计指标：
Support、HC、Confidence、PCA Confidence
借助表示学习来学习规则：
利用Embedding可以非常简便的计算关系的关系，也就是规则。
可微规则学习：NeuraLP：
提出了一个可微的一阶谓词逻辑规则学习模型。
可微规则学习：DRUM
可微规则学习：RuleE
规则与嵌入表示的迭代学习：IterE