决策树学习技术由于简单易用，到今天仍是最常用的机器学习技术之一．ILP具有很强的知识表示能力，可以较容易地表达出复杂数据关系，而且领域知识通常可方便地通过逻辑表达式进行描述，因此，ILP不仅可利用领域知识辅助学习，还可通过学习对领域知识进行精化和增强；然而，成也萧何、败也萧何，由于表示能力太强，直接导致学习过程面临的假设空间太大、复杂度极高，因此，问题规模稍大就难以有效进行学习，九十年代中期后这方面的研究相对陷入低潮．二十世纪九十年代中期之前，“从样例中学习”的另一主流技术是基于神经网络的连接主义学习．连接主义学习在二十世纪五十年代取得了大发展，但因为早期的很多人工智能研究者对符号表示有特别偏爱，例如图灵奖得主H．Simon曾断言人工智能是研究“对智能行为的符号化建模”，所以当时连接主义的研究未被纳入主流人工智能研究范畴，尤其是连接主义自身也遇到了很大的障碍，正如图灵奖得主M. Minsky和S．Papert在1969年指出，（当时的）神经网络只能处理线性分类，甚至对“异或”这么简单的问题都处理不了．