从之前的文章中，我们已经得到了所有需要求解的参数的优化分布的形式，分别为：
但是，我们从这些分布的表达式中（参见之前的文章），可以发现这些式子并不能够直接求解。这是因为各个参数之间相互耦合，从而导致得到的不是一个直接可以得到的解，所以我们需要进行迭代求解，正如我们在之前所描述的一样。我们观察这三组参数的表达形式，我们会发现，Z的求解依赖于r这个变量，而r这个变量的求解依赖于其余的所有参数。我们再看其他的参数，这些参数的求解依赖于r。从而我们得到了这个求解过程中的耦合部分。所以我们可以得到一个初步的求解迭代过程：
1. 初始化所有的参数，包括Z,r,pi,mu,Lambda等控制参数以及其超参数；
2. 保持pi,mu,Lambda等控制参数不变，根据表达式，求解r，进而求解Z。
3. 保持r和Z不变，根据表达式求解pi,mu,Lambda等控制参数。
如此不断往复，直至结果达到收敛精度要求或者超过一定迭代次数为止。
到这一步，我们可以基本认为，这个问题得到了解决。但是其中还有很多细节，我并没有在文中给予详细的解答，对于迭代过程的求解，也并不是一句话就可以带过的。
我们现在回头再去观察这个问题，我们会发现一个有趣的地方。那就是我们所求解的优化分布的形式，和我们所提出来的prior的形式是完全相同的。这是一个偶然现象，还是必然呢？答案是，在这个问题中，这是一种必然的过程，这是因为 我们选择的就是所希望求解分布的共轭先验(conjugate prior)。我简单解释一下这个概念：
对于一个给定的分布p(X|W)，我们可以寻找其一个先验分布p(W)，使得该先验和似然函数的乘积与先验分布有相同的函数形式，而我们知道，后验分布p(W|X)正比于先验和似然函数的乘积，从而与先验有相同的函数形式。
这样一个共轭先验的好处，是使得我们可以不断地重复先验转向后验的过程，使得我们可以不断利用已有的数据去理解新的数据，而后将它们放在一起，都作为已有的数据，再去理解新的数据，如此不断往复。而且共轭先验的函数形式也让数学形式上的分析变得更为容易，我们可以只需要考虑整个分布的一些重要的有特征的部分，而不需要对于其归一化常数等不重要的部分进行多次计算，只需要最后的时候根据函数形式进行对应就可以了。
而一个有意思的地方在于，对于指数家族函数的分布来说，每一个都存在一个对应的共轭先验，我简单介绍一下，对于形式为如下的分布，都可以成为指数家族分布：
x可以为标量，也可以为矢量。u(x)为x的某种形式a的函数，而eta称作natural parameters，其函数g(eta)可以看做是一个归一化系数。
现在，我们为参数引入一个先验：
而我们给定一个数据集，也可以计算其似然值：
其中
这样，我们将先验和似然函数相乘，可以得到：
而这个函数，与先验函数具有相同的函数形式。这时候，我们就找到了一个共轭先验。而我们的原函数，是指数家族函数分布的一般形式，这也就意味着，每一个指数家族函数分布，都有其对应的共轭先验。