人工智能领域的大量问题所对应的数据都存在结构复杂,规模巨大等特点,从社交网络到知识图谱,再到图像,视频以及自然语言处理皆是如此,因此我们需要一款既能够有效地应对问题的不确定性,又能够用简洁的描述表达复杂结构信息的工具,概率软逻辑(Probabilistic Soft Logic,PSL)的出现很大程度上满足了这一要求。它整合了一阶逻辑和概率模型,让用户可以使用像自然语言般的逻辑规则对结构化数据进行建模和推理。目前,PSL已经被应用到诸如集体分类,链路预测,本体对齐,个性化医学,社会网络建模、知识图谱和文本情感分析等多个领域。然而在实践中,PSL主要存在两方面困境:1)随着规则数量以及规则复杂度的增大,PSL的推理性能会随之急剧下降;2)PSL需要人为给出大量的常识和领域知识作为其规则确立的先决条件,这些知识的获取往往非常昂贵并且其中包含的不正确的信息可能会降低推理的正确性。为了缓解以上困境,本文分别从规则的运行条理以及规则本身的构建方式入手来构建模型,本文的主要工作包含三个方面:1)使用多层次推理方法调整PSL规则的运行结构,将所有规则同时运行的方式改变为分层次运行,提升了模型的推理性能;2)使用决策树算法构建PSL模型的规则自动挖掘模块,让PSL具备处理分类或预测问题的能力;3)进一步改进PSL,通过引入AMIE+算法,使PSL具备从复杂的知识图谱数据中挖掘规则并用其进行新知识发现的能力。通过在多个不同的领域数据上的实验表明,本文所提出的方法可行且性能较优。