对于贝叶斯网络的算法，是否有一个简单明了的解释，而没有给出所有夸张的术语？我不允许使用库，所以请不要只给我一个库并告诉我使用它有多么容易。

所以我知道我们有条件概率表（CPT），应该将它们相乘并执行变量消除，但是如何在代码中实现呢？因此，我尝试将每个CPT表示为词典列表：

{
            {
                "Cavity": "True","own_value": "True","probability": 0.9
            },{
                "Cavity": "True","own_value": "False","probability": 0.1
            },{
                "Cavity": "False","probability": 0.4
            },"probability": 0.6
            }
}

然后将这些CPT插入另一个字典中。

但是，我无法继续讨论如何将这些CPT乘以以及如何保留它们？ 例如。 P（A | B，C，D）* P（D | E，F）= P（A，D | B，C，E，F）

2个CPT的乘积会导致一个具有多个正面的因素，因此字典不再有效...

基本上，以下代码段是到目前为止我可以想到的算法，其中存储节点队列并将其传递给此函数，直到找到所有节点的所有已知概率。当然，队列已经按照拓扑顺序排列，因此始终可以保证父母是已知概率。

但是正如您现在已经意识到的那样，该算法只能回答P（A = true）或P（C = false），等等

        cpt = self.conditional_probabilities[nodename] #get my cpt
        for parent in self.dependencies[nodename]:
            parentProb = self.knownProbabilities[parent]

            #matching of the parent and multiplying the probability
            for probability in parentProb:
                varName = probability
                varProb = parentProb[probability]
                for item in cpt:
                    if parent in item and (item[parent] == varName):
                        item["probability"] = item["probability"] * varProb

            #eliminate the parent node
            #some code here

        #insert known probability into my known probabilities table 
        #e.g. insert P(A) into a dict() of P(B),P(C),... where A,B,C are keys
        nodeProbability = dict()
        for item in cpt:
            state = item["own_value"]
            nodeProbability[state] = item["probability"]

        self.knownProbabilities[nodename] = nodeProbability

这无法执行像P（A = true，B = false | C = false，D =“ donkey”，E =“ cat”）这样的贝叶斯网络查询。

D，E的域为[“ donkey”，“ cat”，“ dog”，“ mouse”]，其余为布尔值。

TL; DR谁能使用简单的数据结构（列表，pq，字典等）向我解释如何实现贝叶斯网络？