一. 图模型（graphical model, GM)的表示

图模型(graphical model)是一类用图来表示概率分布的一类技术的总称。

它的主要优点是把概率分布中的条件独立用图的形式表达出来，从而可以把一个概率分布（特定的，和应用相关的）表示为很多因子的乘积，从而简化在边缘化一个概率分布的计算，这里的边缘化指的是给定n个变量的概率分布，求取其中m个变量的概率分布的计算（m<n)。

图模型主要有两大类，一类是贝叶斯网络（又称有向图模型）；另外一类是马尔可夫网络（又称无向图模型）。

谈到一个图模型，主要有三个主要的关注点：

1）图模型的表示（representation）； 指的是一个图模型应该是什么样子的

2）图模型的推断（inference）； 指的是已知图模型的情况下，怎么去计算一个查询的概率，例如已经一些观察节点，去求其它未知节点的概率

3）图模型的学习（learning）； 这里又分为两类，一类是图的结构学习；一类是图的参数学习。

 

在本文，我们主要关注图模型的表示，在以后的文章中，我们会论述图模型的其它方面。

一. 有向图模型的表示

    顾名思义，有向图模型的结构表示是有向图的形式；通过一个有向图来表示一个概率分布，从而可以利用这个有向图模型来进行推断。

对于有向图模型，一个关键就是怎么通过一个有向图来表示一个概率分布呢？

对于一个概率分布p(x1,x2,...,xn)，通过概率论中的链式法则