随着Web2.0应用的迅速发展和快速普及,大量用户生成的数据成为了Web信息服务的基础,例如,产生于电商平台的网购数据可用于分析用户的购物偏好,从而实现商品的个性化推荐。这些数据中的特征之间往往存在非线性的图型依赖关系,同时存在无法观测到的特征（如用户对商品多个描述维度的偏好）。对数据进行建模、并实现有效的信息服务,需要建立有效描述无法观测到的特征并对所蕴含的依赖关系进行有效计算分析的知识模型。作为一种重要的概率图模型,贝叶斯网（Bayesian Network,BN）使用具有概率语义的有向无环图对依赖关系进行建模,并可实现有效的概率推理。用隐变量描述无法观测到的特征,并将隐变量（Latent Variable）引入BN,可增强BN的可解释性。带隐变量的BN（Bayesian Network with Multiple Latent Variables,BNML）,在个性化推荐和医疗预诊断等信息服务中具有广泛应用。然而,隐变量的引入导致BNML学习时需要计算大量的中间结果,使得模型学习具有较高的时间复杂度。如何高效地学习BNML,是解决上述问题的基础,具有重要的意义,也具有许多挑战。本文的主要研究工作概括如下:（1）分析构建BNML的效率瓶颈,针对特征组合较多使得基于结构EM（Structural Expectation Maximization,SEM）算法进行BNML参数学习时间复杂度较高这一问题,提出将BNML与深度神经网络进行有机结合的思路,建立基于聚类思想来减少特征间组合数的方法,从而降低BNML构建的时间复杂度。（2）提出基于混合生成神经网络（Mixture of Generative Neural Network,MGAN）和循环神经网络（Recurrent Neural Network,RNN）的深度神经网络框架,实现同时使用BN有向无环图和数据特征进行聚类分析的方法,并提出减少聚类中所产生噪声的方法。（3）为了能够在聚类后仍可有效使用SEM算法构建BNML,提出基于聚类结果的数据降维处理和参数学习方法,确保处理后的数据能够满足SEM和BNML的约束,且不改变基于SEM的BNML的模型构建过程。（4）使用真实数据集测试了基于聚类框架的BNML学习方法的高效性和有效性,给出了实验结果和相应的性能分析。进一步,将提出的方法用于COVID-19数据的分析中、开展了实证研究,基于BNML提出各城市感染率的计算方法,并使用Echarts实现COVID-19预警的可视化信息服务。