วิธีการทำเหมืองข้อมูลหลายสัมพันธ์ (Multi-relational data mining - MRDM) ค้นหารูปแบบที่มีหลายตาราง (relations) จากฐานข้อมูลสัมพันธ์ แต่ละตารางหรือสัมพันธ์แสดงถึงเอนทิตีหรือความสัมพันธ์ อธิบายด้วยชุดแอตทริบิวต์ ลิงก์ระหว่างสัมพันธ์แสดงถึงความสัมพันธ์ระหว่างพวกเขา
วิธีหนึ่งในการนำวิธีการทำเหมืองข้อมูลแบบดั้งเดิม (ซึ่งสมมติว่าข้อมูลอยู่ในตารางเดียว) มาใช้คือ "propositionalization" ซึ่งแปลงข้อมูลหลายสัมพันธ์เป็นข้อมูลสัมพันธ์แบน (flat) เดียวโดยใช้ joins และ aggregations
สิ่งนี้นำไปสู่การสร้าง "universal relation" ขนาดใหญ่ที่ไม่พึงประสงค์ (เกี่ยวข้องกับทุกแอตทริบิวต์) อีกทั้งยังทำให้สูญเสียข้อมูล รวมถึงข้อมูลเชิงความหมายสำคัญที่แสดงโดยลิงก์ในการออกแบบฐานข้อมูล
การทำเหมืองข้อมูลหลายสัมพันธ์มีเป้าหมายเพื่อค้นพบความรู้โดยตรงจากข้อมูลสัมพันธ์ มีฟังก์ชันการทำเหมืองข้อมูลหลายสัมพันธ์ที่แตกต่างกัน เช่น การจัดประเภทหลายสัมพันธ์, การจัดกลุ่มหลายสัมพันธ์, และการทำเหมืองรูปแบบที่พบบ่อยหลายสัมพันธ์ สามารถใช้การจัดประเภทหลายสัมพันธ์เป็นตัวอย่างเพื่ออธิบายวัตถุประสงค์และขั้นตอนของการทำเหมืองข้อมูลหลายสัมพันธ์
ในฐานข้อมูลสำหรับการจัดประเภทหลายสัมพันธ์ มีสัมพันธ์เป้าหมาย Rt ซึ่ง tuples ของมันเรียกว่า target tuples และเกี่ยวข้องกับป้ายกำกับคลาส สัมพันธ์อื่นๆ เป็น non-target แต่ละสัมพันธ์สามารถมี primary key หนึ่งตัว (ระบุ tuple ในสัมพันธ์ได้อย่างเฉพาะเจาะจง) และ foreign keys หลายตัว (primary key ในสัมพันธ์หนึ่งเชื่อมโยงกับ foreign key ในอีกสัมพันธ์หนึ่ง)
หากพิจารณาปัญหาสองคลาส สามารถเลือกคลาสหนึ่งเป็นคลาสบวก (positive) และอีกคลาสเป็นคลาสลบ (negative) ภารกิจในการสร้างตัวจัดประเภทหลายสัมพันธ์ที่แม่นยำคือการค้นหาคุณลักษณะที่เกี่ยวข้องในสัมพันธ์ต่างๆ ที่ช่วยแยกแยะ target tuples บวกและลบ
รูปแบบสมมติฐาน (hypotheses) ยอดนิยมสำหรับการจัดประเภทหลายสัมพันธ์คือชุดกฎ (sets of rules) แต่ละกฎเป็นรายการ (logical conjunct) ของ predicates พร้อมป้ายกำกับคลาส Predicate เป็นข้อจำกัดบนแอตทริบิวต์ในสัมพันธ์ Predicate มักถูกกำหนดจากเส้นทาง join เฉพาะ Tuple เป้าหมายจะสอดคล้องกับกฎก็ต่อเมื่อมันสอดคล้องกับทุก predicate ของกฎนั้น
