การเรียนรู้เชิงสัมพันธ์ทางสถิติ ( SRL ) เป็นสาขาย่อยของปัญญาประดิษฐ์และการเรียนรู้ของเครื่องจักรที่เกี่ยวข้องกับแบบจำลองโดเมนที่แสดงทั้งความไม่แน่นอน (ซึ่งสามารถจัดการได้โดยใช้วิธีการทางสถิติ) และโครงสร้างเชิงสัมพันธ์ ที่ซับซ้อน ^{[ 1 ] [ 2 ]} โดยทั่วไป รูปแบบ การแสดงความรู้ที่พัฒนาขึ้นใน SRL จะใช้ตรรกะลำดับที่หนึ่ง (ส่วนย่อยของ) เพื่ออธิบายคุณสมบัติเชิงสัมพันธ์ของโดเมนในลักษณะทั่วไป ( การหาปริมาณสากล ) และดึงเอาแบบจำลองกราฟิกเชิงความน่าจะเป็น (เช่นเครือข่ายเบย์เซียนหรือเครือข่ายมาร์คอฟ ) มาใช้เพื่อจำลองความไม่แน่นอน บางส่วนยังสร้างขึ้นจากวิธีการเขียนโปรแกรมตรรกะแบบอุปนัยด้วยมีผลงานสำคัญมากมายในสาขานี้ตั้งแต่ปลายทศวรรษ 1990 ^{[ 1 ]}

ดังที่เห็นได้ชัดจากลักษณะที่กล่าวมาข้างต้น สาขานี้ไม่ได้จำกัดอยู่เฉพาะด้านการเรียนรู้เท่านั้น แต่ยังเกี่ยวข้องกับการให้เหตุผล (โดยเฉพาะการอนุมานเชิงความน่าจะเป็น ) และการแสดงความรู้ด้วย ดังนั้น คำศัพท์ทางเลือกที่สะท้อนถึงจุดเน้นหลักของสาขานี้ ได้แก่การเรียนรู้และการให้เหตุผลเชิงสัมพันธ์ทางสถิติ (เน้นความสำคัญของการให้เหตุผล) และภาษาเชิงความน่าจะเป็นลำดับที่หนึ่ง (เน้นคุณสมบัติหลักของภาษาที่ใช้ในการแสดงแบบจำลอง) อีกคำหนึ่งที่บางครั้งใช้ในเอกสารทางวิชาการคือการเรียนรู้ของเครื่องจักรเชิงสัมพันธ์ (RML)

งานมาตรฐานจำนวนหนึ่งเกี่ยวข้องกับการเรียนรู้เชิงสัมพันธ์ทางสถิติ ซึ่งงานที่พบบ่อยที่สุดคือ^{[ 3 ]}

• การจำแนกประเภทแบบรวมกลุ่มกล่าวคือการทำนาย (พร้อมกัน) ประเภทของวัตถุหลายชิ้น โดยพิจารณาจากคุณลักษณะของวัตถุและความสัมพันธ์ระหว่างกัน
• การทำนายความเชื่อมโยง กล่าวคือ การทำนายว่าวัตถุสองชิ้นขึ้นไปมีความสัมพันธ์กันหรือไม่
• การจัดกลุ่มตามลิงก์คือการจัดกลุ่มวัตถุที่คล้ายคลึงกัน โดยพิจารณาความคล้ายคลึงกันตามลิงก์ของวัตถุ และงานที่เกี่ยวข้องคือการกรองแบบร่วมมือคือ การกรองข้อมูลที่เกี่ยวข้องกับเอนทิตี (โดยข้อมูลจะถือว่าเกี่ยวข้องกับเอนทิตี หากทราบว่าข้อมูลนั้นเกี่ยวข้องกับเอนทิตีที่คล้ายคลึงกัน)
• การสร้างแบบจำลองเครือข่ายสังคม
• การระบุวัตถุ/การแก้ไขเอนทิตี/การเชื่อมโยงระเบียนกล่าวคือ การระบุรายการที่เทียบเท่ากันในฐานข้อมูล/ชุดข้อมูลที่แยกจากกันสองแห่งขึ้นไป

หนึ่งในเป้าหมายการออกแบบพื้นฐานของรูปแบบการแสดงแทนที่พัฒนาขึ้นใน SRL คือการละทิ้งสิ่งที่เป็นรูปธรรมและหันมาแสดงหลักการทั่วไปแทน ซึ่งมีจุดประสงค์เพื่อให้สามารถนำไปใช้ได้ทั่วโลก เนื่องจากมีวิธีการมากมายนับไม่ถ้วนในการแสดงหลักการดังกล่าว จึงมีการเสนอรูปแบบการแสดงแทนหลายรูปแบบในช่วงไม่กี่ปีที่ผ่านมา^{[ 1 ]}ต่อไปนี้จะแสดงรายการรูปแบบการแสดงแทนที่พบบ่อยบางส่วนเรียงตามลำดับตัวอักษร:

• โปรแกรมตรรกะแบบเบย์เซียน
• นางแบบบล็อก
• เครือข่ายตรรกะมาร์คอฟ
• เครือข่ายเบย์เซียนหลายเอนทิตี
• โปรแกรมตรรกะเชิงความน่าจะเป็น
• แบบจำลองความสัมพันธ์เชิงความน่าจะเป็น – แบบจำลองความสัมพันธ์เชิงความน่าจะเป็น (PRM) คือสิ่งที่เทียบเท่ากับเครือข่ายเบย์เซียนในการเรียนรู้ความสัมพันธ์เชิงสถิติ^{[ 4 ] [ 5 ]}
• ตรรกะอ่อนเชิงความน่าจะเป็น
• สนามสุ่มแบบเรียกซ้ำ
• เครือข่ายเบย์เซียนเชิงสัมพันธ์
• เครือข่ายการพึ่งพาเชิงสัมพันธ์
• เครือข่ายมาร์คอฟเชิงสัมพันธ์
• การกรอง Kalman เชิงสัมพันธ์

• การเรียนรู้กฎความสัมพันธ์
• การวิเคราะห์แนวคิดเชิงรูปแบบ
• ตรรกะคลุมเครือ
• การเหนี่ยวนำไวยากรณ์
• การฝังกราฟความรู้

• Brian Milch และStuart J. Russell : ภาษาความน่าจะเป็นลำดับที่หนึ่ง: สู่สิ่งที่ไม่รู้จัก , การเขียนโปรแกรมเชิงตรรกะแบบอุปนัย, เล่มที่ 4455 ของLecture Notes in Computer Science , หน้า 10–24. Springer, 2006
• Rodrigo de Salvo Braz, Eyal Amir และDan Roth : การสำรวจแบบจำลองความน่าจะเป็นลำดับที่หนึ่ง , นวัตกรรมในเครือข่ายเบย์เซียน, เล่มที่ 156 ของ Studies in Computational Intelligence, Springer, 2008
• Hassan Khosravi และ Bahareh Bina: การสำรวจเกี่ยวกับการเรียนรู้เชิงสัมพันธ์ทางสถิติ , ความก้าวหน้าในปัญญาประดิษฐ์, บันทึกการบรรยายในวิทยาศาสตร์คอมพิวเตอร์, เล่มที่ 6085/2010, หน้า 256–268, Springer, 2010
• Ryan A. Rossi, Luke K. McDowell, David W. Aha และJennifer Neville : การแปลงข้อมูลกราฟสำหรับการเรียนรู้เชิงสัมพันธ์ทางสถิติ , วารสารวิจัยปัญญาประดิษฐ์ (JAIR), เล่มที่ 45, หน้า 363-441, 2012
• Luc De Raedt , Kristian Kersting , Sriraam NatarajanและDavid Poole , "ปัญญาประดิษฐ์เชิงสัมพันธ์ทางสถิติ: ตรรกะ ความน่าจะเป็น และการคำนวณ", ชุดบรรยายสังเคราะห์เกี่ยวกับปัญญาประดิษฐ์และการเรียนรู้ของเครื่องจักร มีนาคม 2016 ISBN 9781627058414.