本文研究了用于归纳性和可解释链接预测的概率逻辑规则学习问题。尽管归纳链接预测具有重要意义，但大多数先前的研究主要集中在演绎链接预测上，无法处理之前未见过的实体。此外，这些模型大多是黑箱模型，对人类来说不易解释。我们提出了DRUM（Differentiable Rule Mining），这是一种可扩展且可微分的方法，可以从知识图谱中挖掘一阶逻辑规则，从而解决了这些问题。我们的方法通过建立每个规则的学习置信度评分与低秩张量近似之间的联系来加以论证。DRUM利用双向循环神经网络（RNN）在不同关系的规则学习任务之间共享有用信息。我们还通过实验展示了DRUM在多种基准数据集上的归纳链接预测任务中相对于现有规则挖掘方法的高效性。