贝叶斯网络（BN）是用于表示和推断不确定知识的流行且重要的概率图形模型。 从海量数据中学习BN是不确定性以知识为中心的推理，预测和决策的基础。 海量数据的固有特性使BN学习可以适应大数据量并并行执行。 在本文中，我们提出了一种基于MapReduce的方法，通过扩展传统的评分和搜索算法来从海量数据中学习BN。 首先，在评分过程中，我们开发了map和reduce算法以并行获取所需参数。 其次，在搜索过程中，我们为每个节点开发了map和reduce算法，以并行对所有候选局部结构评分，并选择得分最高的局