References：
【概述】
在贝叶斯网络训练好后即可进行查询（Query），即通过某些特征的观测值来推测其他特征的取值，这样通过已知特征观测值来推测预测值的过程称为推断（Inference），其中已知观测值称为证据（Evidence）
最理想的情况是，直接根据贝叶斯网络定义的联合概率分布来精确计算后验概率，但当网络结点较多、图为稠密图时，这样的推断是 NP 难的，难以进行精确推断，为此，通常进行近似推断，即通过降低精度要求，在有限时间内求得近似解
在实际应用中，贝叶斯网络的近似推断通常使用吉布斯采样（Gibbs Sampling）完成
【近似推断】
设 $Q=\{Q_1,Q_2,\cdots,Q_n\}$ 为待查询变量，$E=\{E_1,E_2,\cdots,E_k\}$ 为证据变量，证据变量的取值为 $e=\{e_1,e_2,\cdots,e_k\}$，$q=\{q_1,q_2,\cdots,q_n\}$ 是待查询变量的一组取值，现要计算后验概率 $P(Q=q|E=e)$
使用吉布斯采样进行近似推断时，会先随机产生一个与证据 $E=e$ 一致的样本 $q^{(0)}$ 作为初始点，然后每步从当前样本出发产生下一个样本，即在第 $t$ 次采样中，会假设 $q^{(t)}=q^{(t-1)}$，然后对非证据变量逐个进行采样改变其取值，采样概率根据贝叶斯网络 $B$ 和其他变量的当前取值 $Z=z$ 计算获得
假设经过 $T$ 次采样得到的与 $q$ 一致的样本有 $n_q$ 个，那么可近似估算出后验概率：
使用吉布斯采样在贝叶斯网络上进行近似推断，本质上是在贝叶斯网络所有变量的联合状态空间与证据 $E=e$ 一致的子空间中进行随机漫步
