El aprendizaje relacional ha atraído mucha atención de la comunidad de aprendizaje automático en los últimos años, y muchas aplicaciones del mundo real se han formulado con éxito como problemas de aprendizaje relacional. En los últimos años, se han introducido varios algoritmos de aprendizaje relacional que siguen un enfoque basado en patrones. Sin embargo, este tipo de modelo de aprendizaje sufre de dos problemas fundamentales: la complejidad computacional que surge de las consultas relacionales y la falta de un marco robusto y general para servir como base para los métodos de aprendizaje relacional. En este documento, proponemos un marco eficiente de consultas de gráficos que permite consultas cíclicas en tiempo polinómico y está listo para ser utilizado en métodos de aprendizaje basados en patrones. Esta solución utiliza predicados lógicos en lugar de isomorfismos de gráficos para la evaluación de consultas, reduciendo la complejidad y permitiendo el refinamiento de consultas a través de operaciones atómicas. Las principales diferencias entre nuestro método y otros enfoques anteriores de consultas de gráficos basados en patrones son la capacidad de evaluar subgrafos arbitrarios en lugar de nodos o gráficos completos, el hecho de que se basa en una formalización matemática que permite el estudio de refinamientos y su complementariedad, y la capacidad de detectar patrones cíclicos en tiempo polinómico. Ejemplos de aplicación muestran que el marco propuesto permite que el aprendizaje de clasificadores relacionales sea eficiente en la generación de datos con altas capacidades de expresividad. Específicamente, se aprenden árboles de decisión relacionales a partir de conjuntos de subredes etiquetadas que proporcionan tanto clasificadores como patrones característicos para las clases identificadas.