多关系数据挖掘是近年来快速发展起来的重要的数据挖掘领域之一。多关系分类作为一种重要的数据挖掘技术得到了快速发展,并且被广泛的应用到许多方面,如财务决策、医学研究等。到目前为止,已经出现了很多分类算法,包括决策树分类、规则分类等。归纳逻辑程序设计是关系学习的核心方法,也得到了广泛的研究与应用。其中基于归纳逻辑程序设计的分类算法有FOIL、TILDE、CrossMine等,虽然这些算法可以用来处理多关系数据,但是随着数据量的增大和数据模式的复杂,尤其在训练集类分布不平衡的情况下,这些分类算法的分类精度和运行效率以及算法的可扩展性都将存在一定的局限性。本文的研究目标是如何在归纳逻辑程序设计的基础上,构造一个可以有效处理现实生活中复杂模式的多关系数据分类算法(分类器)。使新的分类器拥有更好的分类精度,更高的运行效率以及对于关系的数量拥有更好的可扩展性。首先,对归纳逻辑程序设计以及经典的ILP分类算法FOIL进行研究,针对该分类法在处理现实生活中的大型复杂数据库时所存在的问题,将交叉挖掘中的元组ID传播思想应用于多关系分类中,以很大程度上降低算法的空间复杂度和时间复杂度。然后,对于训练样本集在算法执行过程中的动态分布进行针对性处理,采用混合采样技术处理不平衡的样本类分布,以达到对训练集的精确分类,从而提高算法的整体分类精度和对稀有类的精确分类。最后,对得到的分类规则依据一定的标准进行规则剪枝,使最终得到的分类规则简洁高效。为了将改进后的ILP多关系分类算法与其它算法进行比较分析,分别使用一个综合数据库和一个广泛应用于数据挖掘领域的金融数据库作为实验数据。实验结果表明,改进后的ILP多关系分类算法—基于混合采样的多关系分类算法拥有更好的分类精度和运行效率,并且能够精确地处理多关系数据库中的不平衡数据集。本课题属于多关系数据挖掘领域理论基础研究的前沿课题,具有重要的理论意义和实用价值。