我们介绍了一种新的贝叶斯方法，用于图形对数线性边际模型的定量学习。这些模型属于曲线指数族，从贝叶斯的角度来看很难处理。这种可能性不能用边际对数线性相互作用的函数来表示，而只能用细胞计数或概率来表示。后验分布不能直接得到，需要马尔可夫链蒙特卡罗（MCMC）方法。最后，一个定义明确的模型需要能够产生兼容边际概率的参数值。因此，任何MCMC都应该考虑到这一重要限制。我们为处理这些问题的模型构建了一个全自动、高效的MCMC定量学习策略。虽然先验是用边际对数线性相互作用表示的，但我们构建了一个MCMC算法，该算法采用了概率参数空间的建议。通过参数变换，得到了关于边际对数线性相互作用的相应建议。我们利用条件共轭设置来构建关于概率参数的有效建议。通过仿真研究和实际数据集说明了所提出的方法。