经过了几十年的研究与发展,在数据挖掘技术方面已经取得了很多的成果,尤其是提高预测精度和建立模型效率这两方面。但是从模型中提取有意义的决策行动方面的研究却是有限的,而且仅限于简单的动作模型,而在许多实际应用中,这些模型往往更复杂,更难获取最佳的解决方案。在诸如针对性营销等众多应用中,用户建立的模型不仅需要预测准确性高,还需要能够得到一些动作推荐,最终以最少的成本得到预期的目标。在已有的研究成果中,用户常常被要求使用大量的时间,从基于数据挖掘算法的模型中手动搜索能达到预期目标的有价值的知识。数据挖掘中的动作知识提取方法是数据挖掘过程中遇到的新问题,也是模型后续处理研究中的一个瓶颈。在许多实际操作里,动作的自动提取就尤为重要,在知识领域中,过去的手动寻找与图像显示这些方法越来越不能满足日益增长的需要。本文主要从单属性值改变、多属性值改变和线上线下自提取三个方面,提出了从数据中提取高预测精度和高效率的决策动作的动作知识提取方法。本文的主要研究内容有:(1)一种结合马尔科夫决策过程的动作知识提取方法。结合强化学习,利用马尔科夫决策过程提取动作知识。首先要将动作知识提取问题形式化地转换为优化问题,决策策略的学习是在所处的环境中利用自主交互来实现,让策略最终的奖赏值最大化,优化问题的解决是通过将随机森林模型和马尔科夫决策过程结合起来。实验结果也证明了通过对状态的单个属性的改变,能够将其中更有可能转变为目标状态的动作知识提取出来。(2)基于状态空间搜索的次优化动作知识提取方法。将随机森林模型作为知识提取的基础模型,并将知识提取的问题形式化转换为一个优化问题,在此基础上证明这个优化问题等价于状态空间最短路径搜索的问题,最后提出次优化状态空间搜索的算法来解答该知识提取问题,使用启发式函数进一步地提升次优化状态空间搜索算法的性能。实验结果也证明了次优化状态空间动作知识提取方法可以同时保证解的质量和搜索的效率。(3)一种结合机器学习与自动规划实现数据驱动的动作知识提取技术。通过结合机器学习与自动规划这两个人工智能的核心领域来实现数据驱动的动作知识提取,从而把机器学习模型的预测结果转化为动作知识的能力。形式化定义动作知识提取问题,然后线下预处理寻找近似最优目标状态集合,最后对任意输入数据,通过在线搜索得到一个近似最优动作序列。实验结果表明,本章节算法实现了近乎最优的解决方案,并且是超高效的,较其他一些方法获得了更好的质量与更高的效率。