CiteSpace关键词共现聚类实战：从数据清洗到可视化分析的全流程优化

1次阅读

没有评论

共计 2045 个字符，预计需要花费 6 分钟才能阅读完成。

在学术文献分析中，关键词共现聚类是常用的方法，但实际操作中会遇到不少问题。总结下来主要有三大痛点：

数据噪声：文献数据中常包含大量无意义的词汇或重复表述，直接聚类会导致结果偏差。
维度灾难：关键词数量庞大，尤其是跨领域文献中，高维数据容易导致聚类效果不佳。
可视化过载：传统工具生成的图谱节点过多，交互性差，难以有效提取关键信息。

这些问题直接影响分析的效率和准确性，而优化数据预处理和工具配置可以显著改善结果。

三款工具各有优劣，横向对比有助于选择适合的场景：

VOSviewer：操作简单，适合快速生成基础共现图谱，但自定义能力较弱。
Gephi：可视化能力强，支持复杂网络分析，但数据处理和聚类功能有限。
CiteSpace：专为文献分析设计，支持时间切片、突现词检测等高级功能，但学习曲线较陡。

综合来看，CiteSpace 更适合深度文献分析，而结合 Python 预处理和 Gephi 可视化可以弥补其不足。

数据清洗是提升聚类效果的关键。以下是一个基于 Python 和 pandas 的预处理脚本，包含停用词过滤与词干提取：

import pandas as pd
from nltk.corpus import stopwords
from nltk.stem import PorterStemmer

# 加载数据
data = pd.read_csv('literature.csv')

# 停用词过滤
def filter_stopwords(text):
    stop_words = set(stopwords.words('english'))
    words = text.split()
    filtered = [word for word in words if word.lower() not in stop_words]
    return ' '.join(filtered)

data['keywords'] = data['keywords'].apply(filter_stopwords)

# 词干提取
def stem_keywords(text):
    ps = PorterStemmer()
    words = text.split()
    stemmed = [ps.stem(word) for word in words]
    return ' '.join(stemmed)

data['keywords'] = data['keywords'].apply(stem_keywords)

# 保存清洗后数据
data.to_csv('cleaned_literature.csv', index=False)

代码逻辑说明：
1. 加载原始文献数据（CSV 格式），假设包含 keywords 列。
2. 使用 NLTK 的停用词库过滤无意义词汇（如“the”、“and”等）。
3. 通过 Porter 词干提取算法统一单词形式（如“running”转为“run”）。
4. 保存清洗后的数据，供 CiteSpace 进一步分析。

CiteSpace 的突现词检测（Burst Detection）是核心功能，但默认参数可能不适合所有场景。以下是关键配置建议：