CN1658234A - 生成语义网络的分层可视化 - Google Patents

Abstract

本发明提供了生成语义网络的可视化层次结构的方法和装置、浏览语义网络的方法以及语义网络浏览器。所述语义网络包括多个概念和多个用于连接两个概念之间的关系实例，本发明的生成语义网络的可视化层次结构的方法，包括：根据所述语义网络中所述多个概念的连接关系，确定所述概念之间的相似性；以及将相似性高的概念逐一合并，从而形成所述语义网络的可视化层次结构。

Description

生成语义网络的分层可视化

技术领域

本发明涉及数据处理技术，特别涉及利用计算机对语义网络进行分层可视化处理的技术。

背景技术

语义网络(semantic network)是在人工智能和知识工程中使用的一种重要知识表示方法，被广泛地用来定义和描述领域知识。一般语义网络由结点和弧(连接)组成，其中节点表示事件和概念，而弧表示节点之间的关系。图1A示出了一个可视化的语义网络的例子，在其中包括多个概念(由图中的三角形、正方形、五边形和多边形等节点表示)，以及概念之间的连接(由图中的连线表示)。

语义网络具有以下的优点：1，有较强的表达能力，它可以表示谓词逻辑中的二元关系，并且如果将多元关系转换为二元关系，也可以用语义网络表示；2，语义网络对于知识的表示具有直观、清晰的特点，而且程序可以对它的直接搜索、操纵其中的数据。目前，语义网络已被广泛用于基于知识的计算机系统中，例如，企业组织结构管理、智能搜索引擎、和专家系统等。

但是，由于显示器屏幕的限制，语义网络中的内容量可能会超过一个屏幕可以清晰显示的范围。以往通过将显示的图像、文字缩小到可以在一屏中容纳下，然后再根据用户的选择区域进行放大截取，来处理这种情况。但是，这样在缩小显示时，由于无法看清显示的文字，因此不便于操作。而且，由于对于重要的和不重要的概念或者关系，一起同比例的缩小，用户很难挑选希望的内容进行逐级的和渐进的浏览。

发明内容

为了解决以上描述的现有技术中的问题，根据本发明的一个方面，提供了一种生成语义网络的可视化层次结构(hierarchy model)的方法，所述语义网络包括多个概念和多个用于连接两个概念之间的关系实例，所述方法包括：根据所述语义网络中所述多个概念的连接关系，确定所述概念之间的相似性；以及将相似性高的概念逐一合并，从而形成所述语义网络的可视化层次结构。

根据本发明的另一个方面，提供了一种浏览语义网络的方法，所述方法包括：利用前面所述生成语义网络的可视化层次结构的方法，生成所述语义网络的可视化层次结构；根据用户的选择，显示所述语义网络的可视化的层次结构的相应层次描述的内容。

根据本发明的另一个方面，提供了一种生成语义网络的可视化层次结构的装置，所述语义网络包括多个概念和多个用于连接两个概念之间的关系实例，所述装置包括：概念相似性计算单元，用于根据所述语义网络中所述多个概念的连接关系，确定所述概念之间的相似性；概念合并单元，用于将相似性高的概念合并；层次形成单元，用于通过概念合并单元逐级地形成所述语义网络的可视化层次结构。

根据本发明的另一个方面，提供了一种语义网络的浏览器，所述语义网络包括多个概念和多个用于连接两个概念之间的关系实例，其特征在于，所述浏览器包括：前面所述的生成语义网络的可视化层次结构的装置；图形转换单元，用于将由所述生成语义网络的可视化层次结构的装置生成的可视化层次结构转换为图形方式进行显示；层次切换单元，用于根据用户的选择，切换所述层次结构的各个层次描述并控制所述图形转换单元进行显示。

附图说明

相信通过以下结合附图对本发明具体实施方式的说明，能够使人们更好地了解本发明上述的特点、优点和目的。

图1A展示了一个可视化的语义网络的例子，图1B和1C展示了根据本发明的一个实施例的生成语义网络的可视化层次结构的方法生成的语义网络可视化层次结构(hierarchy model)各层次描述的例子；

图2是根据本发明的一个实施例的生成语义网络的可视化层次结构的方法的流程图；

图3是根据本发明的一个实施例的浏览语义网络的方法的流程图；

图4是展示根据本发明的一个实施例的生成语义网络的可视化层次结构的装置的方块图；以及

图5是展示根据本发明的一个实施例的语义网络浏览器的方块图。

具体实施方式

下面就结合附图对本发明的各个优选实施例进行详细的说明。

生成语义网络的可视化层次结构的方法

本发明提供了一种生成语义网络的可视化层次结构的方法。为了更好地理解本申请，在描述本发明的实施例之前，首先对于其中用到的一些术语进行说明。

概念集合(concept set)：是一个语义集合C＝{c₁，...，c_n}，其中C中的每个元素是一个特定的语义对象，被称作概念或概念项目，例如，概念集合的元素可以是人名、地名等等。

关系集合(relation set)：关系集合R＝{r₁，...，r_m}的每个元素是一个特定的谓词(关系类型)以确定两个概念项目之间的语义连接，被称作关系项目或关系类型，例如，关系集合的元素的例子可以是“上下级关系”、“夫妻关系”等等。

三元组(triple)：一个三元组t＝(subject，predicate，object，w)，其中subject，object∈C，predicate∈R，可以被看作一个两边各有一个节点的有方向的链接，每一个由三元组体现的连接可以被看作是关系集合中相应关系类型的一个关系实例。其中，w是“定义权重”代表相应三元组的重要性或者可靠性，是在建立语义网络时，由用户输入的或者通过计算得到的，在本实施例中，w取值为0到1之间。

语义网络(semantic network)：由三元组的集合构成，S＝{t₁，...，t_k}。由于每个三元组可以被看作在两端具有两个节点的一个有向连接，并且多个三元组可以共用一个相同的概念项目，因此基于一个三元组集合，可以生成一个有向图(directed graph)，被称作语义网络。

相邻概念集合(Neighbor concept set)：由语义网络S中所有与c相关联的概念组成的集合。对于一个给定的概念项目c，其相邻概念集合为：

$\mathrm{NC}\left(c\right)=\{n{c}_1,...,n{c}_m|i\≠j\⇒{\mathrm{nc}}_i\≠{\mathrm{nc}}_j,\∀{\mathrm{nc}}_i\⇒\∃t\∈S,$

((subject(t)＝nc_i∩object(t)＝c)∪(subject(t)＝c∩object(t)＝nc_i)＝true)}

相邻概念向量(neighbor concept vector)：是表示一个概念c与所述语义网络中的其它概念的连接关系的向量。如果概念集合中有N个概念项目，将概念集合中的每个概念项目作为N维向量空间中的一个分量，则根据本发明的一个实施例，可以按照以下原则计算N维相邻概念向量v(c)：对于v(c)的一个分量，如果其对应的概念项目与c具有连接，即，在这两个概念之间存在一个三元组，则使用对应的三元组的权重作为该维的值；如果在这两个概念之间存在多个三元组，则取这些三元组中最大权重作为该维的值；如果在这两个概念之间没有三元组，则将该维的值设为0。进而，当三元组中没有包含权重时，也可以是，如果在这两个概念之间存在三元组，则将该维的值设为1或者是三元组的个数；如果在这两个概念之间没有三元组，则将该维的值设为0。

关系类型特征向量(feature vector of relation type)，是表示一个关系类型r在一个语义网络中的特征的向量。如果该语义网络包含N个概念，则一个关系类型特征向量v(r)是一个2*N维向量v(r)＝[w_s1，w_s2，...，w_sN，w_o1，w_o2，...w_oN]。前面N个分量与各个概念作为该关系类型r的所有关系实例的主语(subject)的情况对应，后面N个分量与各个概念作为该关系类型r的所有关系实例的宾语(object)的情况对应。根据本发明的一个实施例，每个分量的值可以利用词频(term-frequency)来计算，即，对应的概念在语义网络中作为关系类型r的主语或宾语出现的次数。

图2是根据本发明的一个实施例的生成语义网络的可视化层次结构的方法的流程图。如图2所示，首先步骤201，根据语义网络中概念的连接关系确定概念之间的相似性。具体地，为每个概念计算相邻概念向量v(c)，并根据计算出的相邻概念向量确定概念之间的相似性。

在本说明书中后附的伪代码片段1示例性地展示了根据两个概念项目的相邻概念向量v(c1)、v(c2)确定相似性的算法。该算法中，先判断两个概念项目是否相邻，如果不相邻则返回0，如果相邻则返回两个向量之间夹角的余弦， $\cos (w_i,w_j)=\frac{w_i\·w_j}{\text{|}{w}_i\text{|\×|}{w}_j\text{|}}.$ 本发明并不限于代码片段1的算法，也可以利用其他方式来表示两个概念项目的相似性。

接着在步骤205，将相似性高的概念逐一合并直到一个预定数量，作为可视化层次结构的一级。在本说明书中后附的伪代码片段2示例性地展示了根据相似性将概念项目逐一合并直到一个预定数量的算法。

该算法中，首先取出语义网络中的全部三元组，然后利用前面计算相似性的方法找到相似性最高的概念对(a，b)，其中a和b是属于一个三元组的两个概念项目，接着创建一个新概念项目c，将a和b合并为c，并且将所有包含a或b的三元组更新，将a、b换为c。循环执行该合并过程，直到概念项目减少到一个预定的数量m。在此，预定数量m是层次结构中该级中希望保留的概念的数量，可以由用户指定或者由系统根据语义网络中概念和关系实例(或者三元组的数量)计算出来，后面将详细描述可视化层次结构的级数和每级合并时的预订数量m的计算方式。

接着在步骤210，判断是否需要进行下一层的合并，如果需要则以刚刚合并得到的一层作为基础，返回继续进行相似性确定和合并(步骤201和205)；如果判断为不需要进行下一层合并，则进行到步骤215，由通过合并得到的各级和原始语义网络构成可视化层次结构。

在本实施例中，可视化层次结构的级数和每个级中所包含的概念或者三元组(关系实例)的数量可以由用户按照自己的喜好来设定，或者预先设定为不同的模式由用户选择，也可以根据显示屏幕每屏可以显示的实体(概念项目节点和关系连接)的数量以及语义网络中概念项目和关系实例的数量自动地计算得出。例如，假设语义网络中包含N₁个概念项目和N₂个关系实例，并且一页屏幕可以显示M₁个概念项目结点和M₂个关系连接，则生成的可视化层次结构的级数k可以通过以下的公式来计算：

层次k满足： $M_1+M_1^2+\·\·\·+M_1^k\≤N_1$ $M_2+M_2^2+\·\·\·+M_2^k\≤N_2$

即， $k=\max ({\log }_{M_1}\frac{(N_1+1)(M_1-1)+M_1}{M_1}+1,{\log }_{M_2}\frac{(N_2+1)(M_2-1)+M_2}{M_2}+1)$ (式1)

相应地，每一级的概念项目数量可以为：

$m_i=\max (M_1^i,M_2^i),(i=1\·\·\·k)$ (式2)

当然，也可以以其它任何本领域技术人员可以想到的方法来计算层次结构的级数和各级包含的概念项目数量。

采用以上描述的本实施例的方法，可以根据语义网络本身包含的特征信息为其生成可视化层次结构。

根据本发明的另一个实施例，在根据语义网络中概念的连接关系确定概念之间的相似性的步骤(图2的步骤201)之前，首先由用户提供感兴趣的关系类型作为主关系类型(primary relation type)。然后，根据语义网络中的每个关系类型与该主关系类型的相似性，为每个关系类型指定一个优先系数(ranking value)。在本说明书中后附的伪代码片段3示例性地展示了根据两个关系类型的关系类型特征向量v(r1)、v(r2)确定相似性的算法。

然后，在根据语义网络中概念的连接关系确定概念之间的相似性的步骤中，更具体地，在为每个概念计算相邻概念向量v(c)时，将三元组的权重和优先系数的乘积作为每个分量的值，例如，对于v(c)的一个分量，如果其对应的概念项目与c具有连接，即，在这两个概念之间存在一个三元组，则使用对应的三元组的权重和该关系类型的优先系数的乘积作为该维的值；如果在这两个概念之间存在多个三元组，则取这些三元组中最大权重和该关系类型的优先系数的乘积为该维的值；如果在这两个概念之间没有三元组，则将该维的值设为0。

可替代地，当三元组中没有记录权重时，也可以是，如果在这两个概念之间存在三元组，则将该维的值设为相应关系类型的优先系数或者是三元组的个数乘以相应关系类型的优先系数(多个的情况)；如果在这两个概念之间没有三元组，则将该维的值设为0。

浏览语义网络的方法

在同一发明构思下，本发明还提供了一种浏览语义网络的方法。图3是根据本发明的一个实施例的浏览语义网络的方法的流程图。

如图3所示，首先在步骤301，利用前面描述的生成语义网络的可视化层次结构的方法为要浏览的语义网络生成可视化层次结构。

然后在步骤305，确定现实的中央概念(节点)。在用户浏览语义网络的过程中，用户可以选择一个希望浏览的节点或一个区域，然后进行放大或缩小。本步骤可以根据用户的选择来确定中央概念(节点)，也可以在用户刚刚开始浏览或者没有选择节点或区域时，自动地确定一个中央概念节点。在此，确定中央概念节点的方式，本发明没有特别的限制，例如可以是语义网络显示的中央位置的节点，或者可视化层次结构中最简化一层的一个节点等。

接着在步骤310，判断用户是选择放大(更详细)还是选择缩小(更简化)。如果用户选择放大(更详细)，则进行步骤315，切换显示可视化层次结构的更详细的一级(下一级)；如果用户选择缩小(更简化)，则进行步骤320，切换显示可视化层次结构的更简化的一级(上一级)。

在步骤315和320之后都进行到步骤325，以前面确定的中央概念为中心进行显示。在切换显示层次结构时，有可能会出现前面确定的中央概念在本级中没有了，例如由于a、b被合并为节点c时。这种情况下，需要将相关的概念结点(a、b、c相关)作为中心进行显示。另外，当该级的内容超出显示范围时，还需要对超出部分进行截取。

采用以上描述的本实施例的方法，可以利用语义网络其本身的特征信息为生成可视化层次结构，从而克服较大规模的语义网络在屏幕上浏览的困难。由于这种层次结构是依据语义网络本身的特征形成的，因此能够保证真实的概括归纳原语义网络，而不需要用户人工的操作。并且如果结合上用户指定的主关系类型，还可以是层次结构更符合用户的需求，更有针对性。

生成语义网络的可视化层次结构的装置

在同一发明构思下，本发明还提供了一种生成语义网络的可视化层次结构的装置。图4是展示根据本发明的一个实施例的生成语义网络的可视化层次结构的装置的方块图。

如图4所示，生成语义网络的可视化层次结构的装置400，包括：概念相似性计算单元401，用于根据语义网络中概念的连接关系，确定概念之间的相似性；概念合并单元403，用于将相似性高的概念合并；层次形成单元406，用于通过概念合并单元逐级地形成所述语义网络的可视化层次结构。

进而，生成语义网络的可视化层次结构的装置400，还包括：相邻概念向量计算单元402，用于计算概念的相邻概念向量，概念相似性计算单元401可以利用相邻概念向量计算概念之间的相关性，关于相邻概念向量和概念相似性计算的方法前面已经进行了说明这里不再重复描述；层次计算单元405，用于根据原语义网络中的概念及关系实例的量和屏幕的最大容量来计算将要生成的层次结构的级数和每级中概念的数量，其计算方法前面也已经进行了说明这里不再重复描述。

进而，生成语义网络的可视化层次结构的装置400，还包括：关系类型相似性计算单元404，用于计算用户指定的主关系类型和语义网络中的关系类型的相似性，并且相邻概念向量计算单元在计算相邻概念向量时也将关系类型相似性考虑在内；关系类型特征向量计算单元407，用于计算所述语义网络中的每个关系类型的关系类型特征向量，该关系类型特征向量中的每个分量是与所述语义网络中每个概念对应、根据与该概念相关联的该关系类型的连接实例计算出来的。关于关系类型特征向量和计算相邻概念向量时也将关系类型相似性考虑在内的方法前面已经进行了说明在此不再重复。

采用本实施例的生成语义网络的可视化层次结构的装置400可以实施前面描述的生成语义网络的可视化层次结构的方法，生成语义网络的可视化层次结构，并且可以根据用户指定的主关系类型，有针对性地进行概念合并。

语义网络浏览器

在同一发明构思下，本发明还提供了一种语义网络浏览器。图5是展示根据本发明的一个实施例的语义网络浏览器的方块图。

如图5所示，语义网络浏览器500包括：前面实施例中描述的生成语义网络的可视化层次结构的装置，在本实施例中简称为层次结构生成装置400；层次结构缓存503，用于临时保存由层次结构生成装置400生成的可视化层次结构；图形转换单元505，用于将由层次结构生成装置生成的可视化层次结构以图形方式显示给用户，具体地说，图形转换单元505接受后面描述的层次切换单元504和中心确定单元502的控制，将层次结构的适当层次和适当位置显示给用户；层次切换单元504，用于根据用户的选择，切换层次结构的各个级并控制所述图形转换单元进行显示；中心确定单元，用于确定切换所述层次结构的级后将被显示的中心概念节点。关于如何响应用户操作切换显示层次结构的各个层次和如何确定中心概念节点，前面已经进行了描述在此不再重复。

采用本实施例的语义网络浏览器500可以实施前面描述的浏览语义网络的方法，生成语义网络的可视化层次结构，利用语义网络其本身的特征为生成可视化层次结构，从而克服较大规模的语义网络在屏幕上浏览的困难。由于这种层次结构是依据语义网络本身的特征形成的，因此能够保证真实的概括归纳原语义网络，而不需要用户人工的操作。

本发明的上述生成语义网络的可视化层次结构的装置、语义网络浏览器以及它们各自的组成部分可以以硬件和软件方式实现，并且根据需要可以和其他装置结合，例如，可以实现在个人计算机、笔记本计算机、掌上型计算机、PDA、文字处理机等各种带有计算功能的设备上。

以上虽然通过一些示例性的实施例对本发明的生成语义网络的可视化层次结构的方法及装置、浏览语义网络的方法和语义网络浏览器进行了详细的描述，但是以上这些实施例并不是穷举的，本领域技术人员可以在本发明的精神和范围内实现各种变化和修改。因此，本发明并不限于这些实施例，本发明的范围仅由所附权利要求为准。

伪代码片段1

Algorithm 1：calculate the similarity between two concept items in semantic network.

(算法1：计算语义网络中两个概念项目之间的相似性)Sim(c1，c2){

NC2＝NC(c₂)；

If(c₁ not in NC₂)

       return 0；

return(cos(v(c₁)，v(c₂))；}

伪代码片段2

Algorithm 2：clustering on semantic network S，there are n concept elements in S，clusterthem into m nodes，where m＜n

(算法2：对语义网络进行合并，在S中有n个概念，将它们合并到m个节点，其中m＜n)

Clustering(S，m)
{
    Get all triples in S；

      (取出S中的所用三元组；)

    Number＝triple number；

    while(Number＞m)

    {

        calculate the similarity of subjects and objects of all triples；

        (计算全部三元组的主语和宾语的相似性；)

        find the most similar pair(a，b)，where a and b are concept items of a specific triple；

        (找到最相似的概念对(a，b)，其中a和b是属于一个三元组的两个概念项目；)

        create a new concept item c；//the name of c is the combination of the names of a and

        b

        (创建一个新的概念项目c；//c的名称是a和b名称的组合)

        merge nodes a，b to node c；

        (将节点a，b合并到节点c；)

        update those triples which contain a or b as one of their components(subject or

        object)；

        (更新那些包含a，b作为其组成部分(主语或宾语)的三元组；)

        //replace a，b with c；

        (//用c替换a，b；)

        Number--；

        }
  }

伪代码片段3

Algorithm 3：calculate the similarity between two relation types in semantic network.(算法3：计算语义网络中两个关系类型之间的相似性)Sim(r₁，r₂){

return(cos(v(r₁))，v(r₂))；}

Claims (21)

1.一种生成语义网络的可视化层次结构的方法，所述语义网络包括多个概念和多个用于连接两个概念之间的关系实例，其特征在于，所述方法包括：

根据所述语义网络中所述多个概念的连接关系，确定所述概念之间的相似性；以及

将相似性高的概念逐一合并，从而形成所述语义网络的可视化层次结构。

2.根据权利要求1所述的生成语义网络的可视化层次结构的方法，其特征在于，确定所述概念之间的相似性的步骤包括：

计算每个所述概念的相邻概念向量，该向量表示该概念与所述语义网络中的其它概念的连接关系；以及

根据两个所述概念的相邻概念向量之间的夹角，计算所述概念之间的相似性。

3.根据权利要求2所述的生成语义网络的可视化层次结构的方法，其特征在于，根据两个所述概念的相邻概念向量之间的夹角计算所述概念之间的相似性的步骤包括：

利用两个所述概念的相邻概念向量的点积，计算它们之间的夹角，夹角越小则两个所述概念的相似性越大。

4.根据权利要求1所述的生成语义网络的可视化层次结构的方法，其特征在于，将相似性强的概念逐一合并从而形成所述语义网络的可视化的层次结构的步骤，包括：

将由一个关系实例连接的相似性最大的两个概念合并；以及

重复上述将两个概念合并的步骤，直到剩下一个预定数量的概念，形成所述可视化层次结构的一层。

5.根据权利要求4所述的生成语义网络的可视化层次结构的方法，其特征在于，将相似性强的概念逐一合并从而形成所述语义网络的可视化的层次结构的步骤，进一步包括：

重复上述将两个概念合并的步骤和形成所述可视化层次结构的一级的步骤，从而形成多级的层次结构。

6.根据权利要求4所述的生成语义网络的可视化层次结构的方法，其特征在于，所述将两个概念合并的步骤，包括：

创建一个新的概念代替所述两个概念；

将所述两个概念合并为所述新的概念；以及

用所述新的概念更新与所述两个概念相关联的关系实例。

7.根据权利要求2所述的生成语义网络的可视化层次结构的方法，其特征在于，所述计算所述每个概念的相邻概念向量的步骤包括：

以所述语义网络中的每个概念作为一个维，如果与该被计算向量的概念之间有关系实例存在则分量为1，如果没有则分量为0。

8.根据权利要求2所述的生成语义网络的可视化层次结构的方法，其特征在于，每个所述关系实例指定了连接的权重，所述计算所述每个概念的相邻概念向量的步骤包括：

以所述语义网络中的每个概念作为一个维，当与被计算向量的该概念之间有关系实例存在时则根据该关系实例的权重计算分量，当没有关系实例存在时则分量为0。

9.根据权利要求2所述的生成语义网络的可视化层次结构的方法，其特征在于，由用户指定了主关系类型，所述计算所述每个概念的相邻概念向量的步骤包括：

计算所述语义网络中的每个关系类型与所述用户指定的主关系类型的相似性；

以所述语义网络中的每个概念作为一个维，当与该被计算向量的概念之间有关系实例存在时则根据该关系实例的权重和上述关系类型的相似性计算分量，当没有关系实例存在时则分量为0。

10.根据权利要求8所述的生成语义网络的可视化层次结构的方法，其特征在于，计算所述语义网络中的每个关系类型与用户指定的主关系类型的相似性的步骤包括：

计算所述语义网络中的该关系类型的关系类型特征向量，所述关系类型特征向量中的每个分量是与所述语义网络中每个概念对应的、根据与该概念相关联的该关系类型的关系实例计算出来的；以及

根据该关系类型的关系类型特征向量与所述用户指定的主关系类型的关系类型特征向量之间的夹角，计算所述关系类型与所述用户指定的主关系类型之间的相似性。

11.一种浏览语义网络的方法，所述语义网络包括多个概念和多个用于连接两个概念之间的关系实例，其特征在于，所述方法包括：

利用权利要求1～10所述生成语义网络的可视化层次结构的方法，生成所述语义网络的可视化层次结构；以及

根据用户的选择，显示所述语义网络的可视化的层次结构的相应层次描述的内容。

12.根据权利要求11所述的浏览语义网络的方法，其特征在于，所述显示所述语义网络的可视化的层次结构的相应级的内容的步骤，包括：

确定显示的中央概念；

当用户选择放大时，显示所述语义网络的可视化的层次结构的更详细一级的内容，并以上述确定的中央概念为中心；以及

当用户选择缩小时，显示所述语义网络的可视化的层次结构的更简单一级的内容，并以上述确定的中央概念为中心。

13.根据权利要求12所述的浏览语义网络的方法，其特征在于，所述显示所述语义网络的可视化的层次结构的相应级的内容的步骤，还包括：

当所述中央概念在将被显示的级中不存在时，以该中央概念的相关概念为中心进行显示。

14.一种生成语义网络的可视化层次结构的装置，所述语义网络包括多个概念和多个用于连接两个概念之间的关系实例，其特征在于，所述装置包括：

概念相似性计算单元，用于根据所述语义网络中所述多个概念的连接关系，确定所述概念之间的相似性；

概念合并单元，用于将相似性高的概念合并；以及

层次形成单元，用于通过概念合并单元逐级地形成所述语义网络的可视化层次结构。

15.根据权利要求14所述的生成语义网络的可视化层次结构的装置，其特征在于，还包括：

相邻概念向量计算单元，用于计算概念的相邻概念向量，该相邻概念向量表示该概念与所述语义网络中的每个概念的连接关系；

其中，所述概念相似性计算单元利用上述相邻概念向量计算概念之间的相关性。

16.根据权利要求15所述的生成语义网络的可视化层次结构的装置，其特征在于，所述概念相似性计算单元，由两个所述概念的相邻概念向量的点积计算它们之间的夹角，夹角越小则两个所述概念的相似性越大。

17.根据权利要求14所述的生成语义网络的可视化层次结构的装置，其特征在于，还包括：

层次计算单元，用于根据原语义网络中的内容量和屏幕的最大容量来计算将要生成的层次结构的级数和每级中概念的数量。

18.根据权利要求14所述的生成语义网络的可视化层次结构的装置，其特征在于，还包括：

关系类型相似性计算单元，用于计算用户指定的主关系类型和所述语义网络中的关系类型的相似性。

19.根据权利要求18所述的生成语义网络的可视化层次结构的装置，其特征在于，还包括：

关系类型特征向量计算单元，用于计算所述语义网络中的关系类型的关系类型特征向量，该关系类型特征向量中的每个分量是与所述语义网络中每个概念对应的、根据与该概念相关联的该关系类型的连接实例计算出来的；

其中，所述关系类型相似性计算单元，根据一个关系类型的关系类型特征向量与所述用户指定的主关系类型的关系类型特征向量之间的夹角，计算所述关系类型与用户指定的关系类型之间的相似性。

20.一种语义网络的浏览器，所述语义网络包括多个概念和多个用于连接两个概念之间的关系实例，其特征在于，所述浏览器包括：

权利要求14～19所述的生成语义网络的可视化层次结构的装置；

图形转换单元，用于将由所述生成语义网络的可视化层次结构的装置生成的可视化层次结构转换为图形方式进行显示；以及

层次切换单元，用于根据用户的选择，切换所述层次结构的各个层次描述并控制所述图形转换单元进行显示。

21.根据权利要求20所述的语义网络的浏览器，其特征在于，还包括：

中心确定单元，用于确定切换所述层次结构的级后将被显示的中心概念节点。

Images