近年来,推荐系统、诊断系统等智能系统的快速发展,为用户偏好估计、疾病诊断及相似搜索等场景提供了重要的技术支撑。基于这类系统的决策,其实质通常是将领域知识建模为图模型,并根据图模型及其节点间的依赖关系来实现知识推理。然而,在图模型上进行知识推理往往是困难且低效的,因此基于图模型的高效推理方法对于智能系统的决策具有重要的意义。贝叶斯网（Bayesian Network,BN）作为不确定性知识表示和推理的基本框架,被广泛用于社交网络、知识图谱和医疗诊断等领域。基于BN的决策、分析和相似搜索,其核心是进行多次概率推理。然而,传统的概率推理方法在多次概率推理中存在时间复杂度高、效率低等问题。考虑图嵌入在图分析任务中的高效性,本文引入图嵌入的思想将BN转换为一组低维向量,并提出基于嵌入向量的概率推理方法以克服多次概率推理的效率瓶颈。在此基础上,本文进一步提出相似节点查询算法以实现高效的BN相似搜索。本文的主要研究内容概括如下:（1）为了在嵌入向量中尽可能保存BN的有向无环图结构和条件概率参数等信息,本文首先将BN转换为带权有向图,并给出基于最大似然估计的BN采样方法,根据采样样本近似计算带权有向图中边的权重,构建与带权有向图相对应的带权邻接矩阵。然后,本文基于自编码器及注意力机制提出BN嵌入方法。其中,自编码器的每个编码层均利用节点与其邻居节点（即父节点和子节点）的相关性生成节点的嵌入向量。（2）针对多次概率推理存在的时间复杂度高、效率低等问题,本文将概率推理中基于链式法则的联合概率计算转化为嵌入向量之间的距离计算,进而提出基于嵌入向量的概率推理方法以及相似节点查询方法。（3）为了测试本文方法的有效性和效率,使用不同规模的数据集对BN嵌入、基于嵌入向量的概率推理方法及相似节点查询方法进行了实验测试。实验结果表明,本文方法的效率均高于对比方法,且能得到准确的推理结果。