決策樹學(xué)習(xí)技術(shù)由于簡單易用，到今天仍是最常用的機器學(xué)習(xí)技術(shù)之一．ILP具有很強的知識表示能力，可以較容易地表達(dá)出復(fù)雜數(shù)據(jù)關(guān)系，而且領(lǐng)域知識通常可方便地通過邏輯表達(dá)式進(jìn)行描述，因此，ILP不僅可利用領(lǐng)域知識輔助學(xué)習(xí)，還可通過學(xué)習(xí)對領(lǐng)域知識進(jìn)行精化和增強；然而，成也蕭何、敗也蕭何，由于表示能力太強，直接導(dǎo)致學(xué)習(xí)過程面臨的假設(shè)空間太大、復(fù)雜度極高，因此，問題規(guī)模稍大就難以有效進(jìn)行學(xué)習(xí)，九十年代中期后這方面的研究相對陷入低潮．二十世紀(jì)九十年代中期之前，“從樣例中學(xué)習(xí)”的另一主流技術(shù)是基于神經(jīng)網(wǎng)絡(luò)的連接主義學(xué)習(xí)．連接主義學(xué)習(xí)在二十世紀(jì)五十年代取得了大發(fā)展，但因為早期的很多人工智能研究者對符號表示有特別偏愛，例如圖靈獎得主H．Simon曾斷言人工智能是研究“對智能行為的符號化建?！?，所以當(dāng)時連接主義的研究未被納入主流人工智能研究范疇，尤其是連接主義自身也遇到了很大的障礙，正如圖靈獎得主M. Minsky和S．Papert在1969年指出，（當(dāng)時的）神經(jīng)網(wǎng)絡(luò)只能處理線性分類，甚至對“異或”這么簡單的問題都處理不了．