Las redes bayesianas (BNs) son herramientas efectivas y universales para abordar el conocimiento incierto. El aprendizaje de BN incluye el aprendizaje de la estructura y el aprendizaje de parámetros, y el aprendizaje de la estructura es su núcleo. La topología de un BN puede ser determinada por el conocimiento experto del dominio o ser obtenida a través del análisis de datos. Sin embargo, cuando existen muchas variables en un BN, depender solo del conocimiento experto es difícil e inviable. Por lo tanto, el enfoque actual de la investigación es construir un BN a través del análisis de datos. Sin embargo, los métodos actuales de aprendizaje de datos tienen ciertas limitaciones. En este trabajo, consideramos una combinación de conocimiento experto y métodos de aprendizaje de datos. En nuestro algoritmo, las restricciones estrictas se derivan del conocimiento experto altamente confiable, y alguna información condicionalmente independiente se extrae mediante selección de características como una restricción suave. Estas restricciones estructurales se integran de manera razonable en un algoritmo hiperheurístico de Monte Carlo exponencial con contador (EMCQ). Un estudio experimental exhaustivo demuestra que nuestro método propuesto muestra una mayor robustez y precisión en comparación con algoritmos alternativos.