(1)聚簇。如图l所示，将图中的节点B和C合并成一个节点，从而消除图l(a)中的有向环，这种方法称作聚簇。

　　(2)条件分割。设变量A的取值范围为：A。，A2，…，，则将原来的贝叶斯网络分割成n个网络，分别是A=A。，A=A2，…，A：。这种方法称作分割，如图2所示。

　　(3)贝叶斯网络举例。图3显示了一个贝叶斯网络的例子，它模型化了下述的二进制变量：变量a表示病人的年龄大于75岁，变量b表示病人需要戴眼镜，变量c表示病人眼中出现晶状体，变量v表示病人的视力由于眯眼而有所提高，变量s表示病人抱怨视力差，变量r表示病人的视网膜反射可察觉。在这个贝叶斯网络中，变量a与b之间的弧表明相对于其它变量，a与g是直接依赖的。变量a与s之间没有弧相连，它们是通过变量b与C而发生依赖关系。

　　变量间依赖的强弱由条件概率分布函数Bp量化。例如，当a为真，b为真的概率为P(b=TIa=T)=0.75。当给定了变量的父节点的值后，该变量为假的条件概率可以从此变量为真的条件概率中推导出来，在此就没有给出。

3自适应超媒体系统中贝叶斯网络的构造

　　一个贝叶斯网络由网络结构表示其定性部分，由条件概率分布函数表示其定量部分。这两部分必须加以指明以构成一个贝叶斯网络，之后在一个系统中被用作推导引擎。在超媒体系统中，构造贝叶斯网络分为四个阶段。

　　(1)定义域变量。在某一领域，确定需要哪些变量描述该领域的各个部分，以及每个变量的确切含义。

　　(2)确定网络结构。由专家确定各个变量之间的依赖关系，从而获得该领域内的网络结构。在确定网络结构时必须注意要防止出现有向环。

　　(3)确定条件概率分布函数。通过由专家确定的网络结构中每个变量的条件概率分布函数，量化变量之间的依赖关系。

　　(4)应用到实际系统。运用到实际系统中，利用系统搜集的数据，经过计算和分析，调整贝叶斯网络的网络结构和各变量的条件概率分布函数，对贝叶斯网络进行优化。

　　在实际应用中，在每一个阶段之后，都要进行评估，考察前面的阶段是否被成功地执行。每当发现前面阶段所得的结论不充分时，前一个阶段将被再次执行，否则，前进到下一阶段。每个阶段发生的错误应被及时更正，在早期产生的错误若在后期加以更正将比在早期更正花费更大的代价。我们称重复经历某个阶段并进行评估的过程为建立一测试期(budd—textcycle)，据此，我们构建了自适应超媒体系统贝叶斯网络构造生命周期图，如图4所示。

　　在某一特定领域构造贝叶斯网络是一件非常困难并且也费时的工作。这种困难一方面来自于某些领域过于复杂，即使该领域的专家也无法完全正确的描述该领域的因果关系，这影响了贝叶斯网络的网络结构的构造;而另一方面，人们擅长于描述定性的关系，而不擅长描述定量的关系，这直接造成了在确定条件概率分布函数时的困难。

　　利用数据库中的大量原始数据，经过计算、分析，自动构造贝叶斯网络的网络结构和条件概率分布函数的方法，是一个能够有效降低贝叶斯网络构造工作量的途径，这方面的研究成为贝叶斯网络学习问题，最近几年，研究者提出了许多自动学习贝叶斯网络的算法，在此不再赘述。

4结语

　　超媒体系统中存在着众多的不确定因素，这促使研究者求助于概率理论中的贝叶斯网络方法，并由此发展成为目前人工智能领域中研究日益广泛的一个分支一贝叶斯网络。贝叶斯网络为超媒体系统提供了一种有效的推理机制，但是如何根据超媒体系统的特点构造一个有效、准确的贝叶斯网络将成为今后发展的重点。