一阶规则学习（the first order rule learning），理学-计算机科学技术-人工智能-机器学习-规则学习，规则学习是指从训练数据中学习出一组能用于对未见示例进行判别的规则。从形式语言表达能力而言，规则可分为两类：“命题规则(propositional rule)”和“一阶规则(first-order rule)”。前者由“原子命题(propositional atom)”和逻辑连接词“与”(∧)、“或”(∨)、“非”(¬)和“蕴含”(←)构成的简单陈述句。后者则是由能描述事物属性或者关系的“原子公式(atomic formula)”构成，它能表达复杂的关系，因此也被称为“关系型规则(relational rule)”。一阶规则学习能容易地引入领域知识，这是它相对于命题规则学习的另一大优势。在命题规则学习乃至一般的统计学习中，若欲引入领域知识，通常有两种做法：在现有属性的基础上，基于领域知识构造出新属性，或基于领域知识设计某种函数机制（例如正则化）来对假设空间加以约束。然而，现实任务中并非所有的领域知识都能容易地通过属性重构和函数约束来表达。