随机块模型（SBM）使我们能够分解和分析探索性网络，而无需事先了解其内在结构。 然而，由于其模型选择和参数估计的高计算成本，从大规模网络中有效而高效地学习SBM的任务仍然具有挑战性。 为了解决这个问题，我们提出了一种新颖的SBM学习算法，称为BLOS（BLOck-wise Sbm学习）。 与文献不同的是，通过将最小消息长度准则嵌入到块式EM算法中，在BLOS中同时而不是交替执行SBM的模型选择和参数估计，这极大地降低了SBM学习的时间复杂度而不会丢失学习准确性和建模灵活性。 通过与合成网络和实际