规则学习是数据挖掘中应用前景广泛的领域,一直以来都备受关注。针对有特定数据结构的电商知识图谱的规则生成任务,流行的关联规则挖掘算法虽然应用简单且具有可解释性,但无法用于挖掘特定数据结构的关联规则。而目前主流的基于知识图谱的规则学习算法大都都针对分布均匀的稠密知识图谱,且其基于图遍历搜索的特性也让这类算法在大规模知识图谱上会遇到明显的效率问题。用于知识图谱推理的表示学习方法则大都侧重推理结果,无法生成对人友好的高质量推理规则。因此,本文针对电商领域的场景挂载规则生成的任务,从知识图谱的角度出发,将已有的商品的属性项P(Property)和属性值V(Value)及其对应场景构造成一个针对挂载关系的知识图谱。同时将挂载问题构造成链接预测问题,引入注意力机制,提出了一种基于知识图谱表示学习的规则学习模型,利用场景和挂载关系的表示得到商品属性的权重,从现有数据中生成规则,用于挂载新的商品,提高商品挂载的效率,降低人工成本。同时,本文也从强化学习的角度出发,将商品挂载问题构造成分类问题,将规则生成问题构造成序列决策问题,提出了一种基于强化学习的规则学习模型,训练一个智能体来选择规则的Body部分,在奖励函数中加入规则长度项以生成长度较短的规则。且由于商品数据序列长度较长,智能体需要探索的序列决策空间较大,为了让模型可以尽可能探索更多的空间,本文也应用了包括Rollouts,Reward Baseline以及加入信息熵在内的方法来帮助模型训练,取得了不错的效果。