语义网络 (SN) [1] – [3]是概念知识的极佳存储库。每个现有 SN 的标准表示都是图形语言；尽管在计算机内部，SN 由某种符号知识表示形式表示。精心设计的小型 SN 图易于理解和解释。然而，对于大型 SN，情况并非如此。同时，只有大型 SN 才有实际用途。大型 SN 的图表在最好的情况下令人困惑，而在最坏的情况下由于交叉和重叠而完全“不可读”。这种情况有点让人想起在模块化编程普及之前理解编程语言代码的困难。由于 SN 的非线性特性，开发类似于编程模块的结构花费了更长的时间。最近，用于生成此类模块的方法学方法已经以分区等名称出现。文献中出现了各种用于划分 SN 的方法。其中一些是算法性的，例如[4] – [6]，而另一些是语义性的，例如[7] – [9]。然而，这些方法通常会留下一个问题，即所得到的划分在人类专家眼中是否有意义。在本文中，我们提出了一项研究，评估[4]的划分方法的结果。

我们仍然面临一个棘手的情况：小图有助于理解，而大型复杂图会让观看者不知所措。人们普遍认为“一图胜千言”。图解表示利用了人类视觉通道的高带宽。此外，某些操作是人类视觉系统中固有的，例如线检测。然而，在杂乱的交叉点中，很难检测和跟踪一条线。与普遍看法相反，在这种情况下缩放无济于事，因为它通常会使线的端点从视图表面消失。解决这一矛盾的唯一方法是从令人不知所措的 SN 图中挖掘出有意义的视图。这样的视图需要包含一些选定的元素，这些元素不是根据物理距离而是根据语义接近度来选择的。 [4]的划分允许我们制定符合这一原则的 SN 的几个部分视图，我们将在下面详细定义这些视图。

在医学信息学中可以发现 SN 的许多实际应用。在该领域中，可能分布最广泛的 SN 是统一医学语言系统 (UMLS) [11]的 SN [ 10 ] 。SN 是元词库 (META) 的高级抽象，而元词库是 UMLS 概念库。虽然[4]的方法完全是通用的，但我们选择了 UMLS SN 进行研究，因为很少有其他 SN 像它一样广为人知。

第二部分描述了我们如何通过将算法划分的 SN 与人类专家创建的 SN 划分进行比较来评估算法划分的 SN。第三部分讨论了如何通过提供视图来引导用户了解 UMLS SN，从而利用该划分。第四部分包含结论。

本文的基本假设是，尽管[4]中的分割技术（产生了所谓的凝聚性分割）主要基于结构方面，但它仍然涵盖了语义方面的考虑。也就是说，尽管凝聚性分割是算法过程的结果，但它仍然会产生有意义且有用的（对人类而言）“图形模块”。从内容的角度来看，分割的每个元素（在[4]中称为语义类型集合）都应该是描述某个特定主题领域的统一节点组。换句话说，我们假设如果 UMLS SN 中的两个节点（称为语义类型）具有相同（甚至近似相同）的关系集，那么它们在语义上也接近。我们如何评估通过算法获得的分割对人类专家是否有意义？为了解决这个问题，我们将[4]中的算法分割提交给一位 UMLS 承包商进行审查。他的判断是——考虑到 Chen 等人[4]表达的限制——从语义角度来看，该分割看起来是可以接受的[12]。

然而，专家们所接受的语义上合理的划分与他们根据自己的语义考虑划分 SN 的任务之间存在差异。为了解决这个问题，进行了以下研究。这项研究的参与者是本文的五位作者、我们研究小组的另外两名博士生和一位额外的教授，他们都对 SN 有一些背景知识。他们将这项任务作为每周研究研讨会的一部分来执行。参与者没有时间限制，并在对工作满意时提交。每位参与者都收到一页说明（见附录）和两页 SN 的 IS-A 层次结构图表，即以事件和实体为根的两棵树。图 1以与向参与者展示的格式类似的格式显示了事件树。但是，附加在节点上的数字列表并未提供给参与者。这些数字是实验结果。

这些说明是我们之前用于划分 MED 术语[7]的 OODB 模式的人机方法的简化版本。简化的机会源于 MED 模式是 DAG，而 SN 是树。同时，它们考虑了内聚分区规则[4]，例如，需要单根集合并禁止使用单例叶子。

请注意，尽管这些说明看起来相当复杂，但它们仅定义了结构限制，例如“不允许单个节点”或“组必须连接”。这些限制对于计算主体分区与算法获得的分区之间的有效比较分数是必不可少的。另一方面，我们的说明不限制主体的语义决策，他们仍然可以完全自由地将语义类型分配给他们选择的组。

参与者还得到了口头指示，关于如何解决以实体为根的子网络示例问题（见图2），大致如下。

“领域专家自上而下扫描该图以识别语义类型集合。由于Entity是树的根，因此它应该是语义类型集合的根。从Entity向下扫描，语义类型Physical Object仍然属于Entity的主题领域，因为两者都是非常通用的术语。但是，下一个语义类型Organism很重要，它开启了一个新的生物主题领域，它不同于Entity主题领域。Organism有七个子代，每个子代都是不同于Organism一般主题领域的特定生物。但是，其中五个是叶子，因此不符合开始单独的语义类型集合的条件。只有Organism的两个非叶子子代Plant和Animal开始新的语义类型集合。进一步向下扫描， Animal的唯一非叶子后代是Vertebrate和Mammal，它们被判断为位于以Animal为根的语义类型集合中。图 3包含四个语义类型集合（每个集合都包含在虚线气泡中），显示了最终的分区。”

最重要的是，参与者没有使用结构化分区方法所使用的非 IS-A 关系的任何知识。因此，参与者完全依赖于他们对语义类型的理解，这些理解基于 SN IS-A 层次结构中节点的名称和位置。除了 ZC 和 YP，参与者也没有研究凝聚分区的细节。（在进行研究之前，ZC 在 YP 的监督下手动应用了分区技术并审查了由此产生的凝聚分区。YP 审查了凝聚分区的各个部分。）

评估结果表明，不同参与者的划分方式截然不同。图 1为事件树，显示了每个节点被哪些参与者标记为根节点。（参与者编号从 1 到 8。数字 0 表示内聚划分[4]。）例如，活动被标记为 (3, 6, 7, 8)，这意味着它被受试者 3、6、7 和 8 标记为根节点。由于未列出 0，因此活动未被内聚划分算法选为根节点。该图显示了语义决策的主观性。

表明受试者的反应具有高度的可变性。该表显示了受试者之间的一致性。行号表一 demonstrates the high variability of subject responses. The table shows intersubject agreement. The number in row 我和列 and column 杰表示有多少个根 indicates how many roots subject 我和主题杰同意。例如，受试者 3 和 5 对 21 个词根表示同意。表 II显示了凝聚性分区和受试者分区之间的一致性。受试者间平均一致性为 21.22。受试者对凝聚性分区的平均一致性为 21.125。

虽然个别参与者的回答差异很大，但在汇总所有回答时，大多数受试者都会做出一些选择。我们的方法是，如果至少满足以下条件，则将概念识别为语义类型集合的根电视参与的受试者选择这个概念作为根。我们随后计算了回忆率（右）和精度（页）与[4]的结果相比，人类受试者的电视作为截止值。然后我们改变电视作为独立变量并计算R和磷在所有层次概念上作为因变量。我们还计算了 Rijsbergen 的F将精度和召回率合并为一个数字的值

在表三中，各列为：截止值电视；至少标记有电视主题；至少标记的根数电视也通过内聚分区识别的主题；召回率；精确度；F价值。

这F值在截止值 6 处达到峰值。然而，F对于截止值 3、4、5 和 6，值几乎相同。F值约为 0.8，表示凝聚性分区与由至少电视主题（吨= 3 , 4 , 5 , 6 ）。

当然，召回率和精确度之间存在权衡。例如，在令人印象深刻的 0.909 精确度下，至少有 6 名受试者标记了内聚分区的 28 个根中的 20 个，对应的召回率为 0.714。当至少有 3 名受试者标记了内聚分区的 28 个根中的 25 个时，召回率增加到 0.892，但精确度降低到 0.714。对于截止值为 5，获得了 3 和 6 之间的中间点，平衡了召回率和精确度。至少有 5 名受试者标记了内聚分区的 28 个根中的 23 个，精确度为 0.766。因此，我们的评估表明了内聚分区的实用性以及受试者获得的分区的高度一致性。这支持了内聚分区是 SN 的有效语义分区的说法。

上文中，我们比较了软件开发中对模块化的需求与 SN 中对分区的需求。程序代码对模块化的需求主要源于维护日益增长的已安装软件库的困难。同样，如果将 SN 划分为节点组，维护 SN 应该会更容易。

在本节中，我们将展示如何使用 SN 的有意义的分区来生成它的部分视图，这些视图比整个网络更容易理解。我们再次强调，部分视图绝不是特定于 UMLS SN 的。但是，由于[4]中的所有示例都是基于 SN 给出的，因此我们继续使用它。

维护 UMLS 的 META 的专业人员需要很好地适应 META，执行诸如添加新概念、拆分被发现具有两个不同含义（同音异义词）的概念、更改概念的语义类型分类等操作。由于 META 的大小和复杂性，实现这种适应性很困难。SN 提供的 META 抽象视图可以帮助实现这种适应性。但是，SN 本身太大太复杂，无法在计算机屏幕上布局。SN 的分区提供了 SN 的紧凑部分视图，可以在这方面为我们提供帮助。

我们的目的是提供各种视图，使用户能够研究 SN 的每个元素，即每个语义类型和每个关系（IS-A 关系或语义关系），这些关系在一个足够小的网络中，可以方便地显示在计算机屏幕上。这些视图显示了语义类型及其在相关相邻语义类型附近的关系。正确使用这些视图将使用户能够理解 SN 或感兴趣的 SN 的部分。

我们首先列出各种视图，然后举例说明。之后，我们将描述用户使用一系列此类视图来实现令人满意的定向度的场景。我们需要以下定义。