马里兰大学发布了一些关于该主题的介绍性演示文稿的幻灯片(PDF)。

第四页解释了为什么 SRL 很有趣。“传统的统计机器学习方法”处理一种存在不确定性的事情。图像识别就是一个很好的例子。“传统ILP / 关系学习方法”使用多种信息来产生关于数据集的假设，但显然不允许数据中存在噪声。

统计关系学习模型旨在处理具有多种类型的对象通过各种链接相互连接的数据集（因此是“关系的”）。它们还旨在处理不确定性（因此是“统计”）。

跳过一些没有真正有用的幻灯片，如果没有对它们所说的内容的文字记录，我们来到幻灯片 17，它有易于理解的定义和示例：

• 对象分类
  • 根据对象的属性及其链接和链接对象的属性预测对象的类别
  • 例如，根据论文中使用的词预测论文的主题，它在论文中引用的论文的主题，它引用的论文的主题，作者的研究兴趣
• 对象类型预测
  • 根据对象的属性及其链接和链接对象的属性预测对象的类型
  • 例如，根据论文的属性预测出版物（会议、期刊、研讨会）的地点类型

如您所见，这些模型可以跟踪一些事物以及它们之间的交互。下一张幻灯片讨论链接预测，即预测对象之间连接的多个属性的能力，例如引用的重要性/质量。如前所述，这些模型不需要 100% 准确的数据来给出有趣的结果；学术引文列表有时可能不够全面，并且引文的重要性难以量化。

与 ILP 一样，SLP 希望能够“看到”“实体”之间的新型链接，就像演示文稿中识别研究社区的示例一样。

在幻灯片 20 之后，演示文稿进入了一些严肃的数学。从幻灯片 198 开始，它的技术结论确实要少得多。