结构学习算法是根据数据学习得到BN网络中各个节点间的因果关系，并根据这些关系构建BN结构，而正确的网络结构也是进一步进行参数学习重要基础。但是现有的传统结构学习算法存在以下问题：

（1）精确学习算法在处理高维数据时会出现维数灾难，无法在可接受的时间内获得结果；

（2）近似学习算法在一定程度上提高了学习的速度，但是获得的结果精度不能令人满意。

此外，近些年提出了一些较为新颖的分块学习算法，在学习策略上采用分而治之的方式学习网络结构，但是其根本还是一种近似学习。

本文针对较为新颖的分块学习算法进行改进，提出了学习稀疏 BN 最优结构的改进 K 均值分块学习算法（Optimal structure-improved Kmeans algorithm, OS-IKM algorithm）。该算法主要分为四步：

（1）由改进的K均值算法对网络进行分块；

（2）引用MMPC算法得到网络的无向图构架；

（3）调用Merge函数确定块与块之间的边，并假设边的方向，找到所有可能的图结构；

（4）对所有可能的图结构进行动态规划学习，根据BIC评分找到最优网络。

K均值划分后使用MMPC习得的网络结构示意图

根据Merge函数找到的所有块间可能的图结构

实验表明OS-IKM 算法相较于非分块经典结构学习算法有明显的时间优势, 能大大降低时间复杂度; 相比现有分块结构学习算法, OS-IKM 算法有一定的时间优势, 如对 Alarm 网络大约减少了 25 %的时间消耗; 根据汉明距离和 BIC 评分, OS-IKM算法达到了和目前现有算法一致的精度, 并有略微提升, 且保证最终习得的网络是全局最优网络。OS-IKM 算法是对大规模稀疏 BN 最优结构学习的一种可行算法。