Dans cet article, nous étudions le problème d'apprentissage de règles logiques probabilistes pour la prédiction de liens inductive et interprétable. Bien que la prédiction de liens inductive soit importante, la plupart des travaux précédents se sont concentrés sur la prédiction de liens transductive et ne peuvent pas gérer les entités inconnues auparavant. De plus, ces modèles sont des boîtes noires qui ne sont pas facilement explicables pour les humains. Nous proposons DRUM, une approche évolutrice et différentiable pour l'extraction de règles logiques du premier ordre à partir de graphes de connaissances, qui résout ces problèmes. Nous justifions notre méthode en établissant un lien entre l'apprentissage de scores de confiance pour chaque règle et l'approximation tensorielle de faible rang. DRUM utilise des RNN bidirectionnels pour partager des informations utiles entre les tâches d'apprentissage de règles pour différentes relations. Nous démontrons également expérimentalement l'efficacité de DRUM par rapport aux méthodes existantes d'extraction de règles pour la prédiction de liens inductive sur divers ensembles de données de référence.