由于隨機(jī)塊模型能夠有效處理不具有先驗(yàn)知識的網(wǎng)絡(luò)，對其研究成為了機(jī)器學(xué)習(xí)、網(wǎng)絡(luò)數(shù)據(jù)挖掘和社會網(wǎng)絡(luò)分析等領(lǐng)域的研究熱點(diǎn)．如何設(shè)計(jì)出具有模型選擇能力的快速隨機(jī)塊模型學(xué)習(xí)算法，是目前隨機(jī)塊模型研究面臨的一個主要挑戰(zhàn)．提出一種精細(xì)隨機(jī)塊模型及其快速學(xué)習(xí)算法，該學(xué)習(xí)方法基于提出的模型與最小消息長度推導(dǎo)出一個新成本函數(shù)，利用期望最大化參數(shù)估計(jì)方法，實(shí)現(xiàn)了邊評價模型邊估計(jì)參數(shù)的并行學(xué)習(xí)策略。以此方式顯著降低隨機(jī)塊模型學(xué)習(xí)的時間復(fù)雜性．分別采用人工網(wǎng)絡(luò)與真實(shí)網(wǎng)絡(luò)，從學(xué)習(xí)時間和學(xué)習(xí)精度兩方面對提出的學(xué)習(xí)算法進(jìn)行了驗(yàn)證，并與現(xiàn)有的代表性隨機(jī)塊模型學(xué)習(xí)方法進(jìn)行了對比．實(shí)驗(yàn)結(jié)果表明：提出的算法能夠在保持學(xué)習(xí)精度的情況下顯著降低時間復(fù)雜性，在學(xué)習(xí)精度和時間之間取得很好的折衷；在無任何先驗(yàn)知識的情況下，可處理的網(wǎng)絡(luò)規(guī)模從幾百節(jié)點(diǎn)提高至幾萬節(jié)點(diǎn)．另外通過網(wǎng)絡(luò)鏈接預(yù)測的實(shí)驗(yàn)，其結(jié)果也表明了提出的模型及學(xué)習(xí)算法相比現(xiàn)有隨機(jī)塊模型和學(xué)習(xí)方法具有更好的泛化能力．