将贝叶斯推理应用于知识图，可使其成为概率估算、假设评测和决策制定的强大工具。贝叶斯定理是一个概率定律，它告诉我们，当学习一个新的事实或获得新的证据时，我们应该在多大程度上改变我们对某事的看法。该定理在下列方程式中陈述：

假设一个医生有一个病人，因为他属于一个高危人群，所以他想知道携带一种潜在病毒的概率, 这是等式左边的“关注命题”。先前的数据表明，总人口中有 4％ 是病毒携带者，因此 $P(A) = 0.04$ 。B是观察到的证据, 即 32% 的总人口是高危人群，$P(B) = 0.32$。医生知道，在携带该病毒的患者中，80% 属于高危人群：$B | A=0.8$.

她的病人只有十分之一的机会成为病毒携带者，这可能低于常人的预期，因为几乎所有的携带者都是高危人群。

虽然这是一个简单的计算，但贝叶斯推理的优势在于可以将看似无法解决的问题分解成小块。即使没有可用的数据，连续的多层估算仍然可以对各种结果的置信水平提供有益的改进。通过将此框架加入到节点之间定义的关系中，网络中任何一点的权重的修改将自动更新到整个知识图中。

贝叶斯概率也为决策制定提供了一个框架。通过评估各种选择的成本和取舍，用户可以计算出哪条路径提供了最高的期望值。同样，即使权重只是个人喜好的简单估计，决策的质量也可以通过多层的正反方论据来改进。评估矩阵允许我们将大量信息集成到最终决策中，而不是默认使用某种简单的推断法。