DNF模型不是贝叶斯网络的翻版
提到概率图模型，多数人先想到贝叶斯网络。但DNF模型走的是另一条路：它把联合分布写成若干“项”的加权和，每一项是一组变量的取值约束的合取。和贝叶斯网络的条件独立结构不同，DNF模型靠可分解性组织信息，计算时不需要做变量消元，而是直接在项上做加减乘除。理解这一点，才算真正入门DNF模型。
核心定义
一个DNF模型由若干项组成，每项包含变量子集上的字面量合取，并配一个非负权重。对任意完整赋值，其概率等于所有被该赋值满足的项权重之和，再除以配分函数。形式简单，却让“满足即贡献”成为推理的基本动作。
可分解性为何是命门
DNF模型的价值不在表达式本身，而在它是否满足可分解性：不同项涉及的变量集合必须互不相交。满足时，项内变量独立，边缘化、条件化都能逐项完成，复杂度随项数与项宽增长，而不是随变量总数指数爆炸。不满足时，推理退化为枚举，DNF模型就失去了实用意义。
- 项内独立：给定项被选中，项内变量取值互不影响。
- 项间互斥或覆盖：项之间可以重叠，但重叠会引入归一化成本。
- 编译产物：从CNF或贝叶斯网络编译得到的d-DNNF，本质上就是带可分解性保证的DNF变体。
与知识编译谱系的关系
把DNF模型放进知识编译谱系会看得更清楚。OBDD强制变量顺序，表达力受限；d-DNNF放松顺序但保留可分解性；DNF模型则是其中最朴素的一档。它牺牲了部分紧凑性，换来推理路径的透明。对于需要频繁做边缘概率查询、且结构本身接近“若干场景加权”的任务，DNF模型往往比决策图更易维护。
推理复杂度速览
在可分解且项间互斥的前提下，单次证据查询是线性的；项间重叠时需处理重复计数，复杂度与重叠结构相关。学习层面，权重可用期望最大化迭代估计，结构则依赖变量分组或编译算法，是DNF模型落地的主要瓶颈。
适用场景与选型建议
DNF模型适合场景化建模：故障模式、规则库、多专家意见融合，这些任务天然以“如果……则……”的项出现。若你的数据能自然切成互不重叠的变量组，优先考虑DNF模型；若变量高度耦合、需要精确后验，贝叶斯网络或混合模型更稳。选型时先问三个问题：项能否分解、项间是否重叠、查询是否以边缘概率为主。
常见问题
- DNF模型和朴素贝叶斯有何区别？朴素贝叶斯假设类内全独立，DNF模型只要求项内独立，项间可携带不同变量组，表达更灵活。
- 权重必须归一化吗？不必，推理时统一除以配分函数即可，训练中保持非负更关键。
- 能处理连续变量吗？标准形式针对离散变量，连续情形需先离散化或改用混合项。
- 结构怎么来？可人工按领域知识分组，也可由CNF编译或贪心合并生成，后者需校验可分解性。
说到底，DNF模型是一种“把概率摊开写”的思路。它不追求最紧凑的表示，而追求推理过程可解释、可逐项审计。在规则密集、场景清晰的领域，这种朴素反而成了优势。