共计 1212 个字符，预计需要花费 4 分钟才能阅读完成。
1. 轮廓值是什么？为什么它重要？
轮廓值（Silhouette Value）是评估聚类质量的量化指标，范围在 - 1 到 1 之间。在 CiteSpace 中，它帮你判断：
- 聚类效果：越接近 1 表示同类关键词越紧密，不同类越分离
- 参数合理性：帮助验证你设置的网络裁剪 / 聚类参数是否合适
- 结果可信度：高于 0.5 的轮廓值通常认为聚类结构显著
举个实际例子：当轮廓值显示 0.72 时，说明当前关键词聚类效果优秀；若出现 0.3 以下的值，可能需要调整参数重新分析。
2. 手把手操作指南（含模拟截图）
2.1 数据准备阶段
- 导入数据时确保格式正确：
- WoS/CSSCI 数据建议用纯文本格式（.txt）
-
中文数据需统一编码为 UTF-8
-
新建项目时关键设置：
- Time Slicing 按需划分（新手建议 3 - 5 年一段）
- Term Source 勾选 Title/Abstract/Keywords
2.2 聚类分析操作
- 主界面点击
Network > Visualization生成基础图谱 - 在可视化窗口右键选择
Cluster > Run Clustering - 参数设置建议（新手友好版）：
- 聚类算法选
LLR（更适合关键词） - 节点裁剪用
Pathfinder+Pruning sliced networks
2.3 查看轮廓值
关键步骤图示（模拟）：
[Cluster]菜单
├─ [Show Silhouette] ← 点击这里
└─ [Save Cluster Membership] 可选保存轮廓值会显示在弹出窗口的表格中，包含：
– 每个聚类的独立轮廓值
– 整体平均轮廓值（重点关注）
3. 常见问题排查
问题 1：看不到轮廓值选项
可能原因：
– 未先执行聚类分析
– 使用的 CiteSpace 版本过旧（建议 6.2.R4 以上）
解决方法：
1. 确认已生成聚类结果
2. 更新软件版本
问题 2：轮廓值异常低（<0.3）
典型场景：
– 数据量太少（<200 篇文献）
– 参数设置过于激进（如 g -index=15）
优化方案：
# 伪代码：参数优化逻辑
if silhouette < 0.3:
adjust_parameters(g_index=decrease(3),
pruning=switch_to"MST"
)
re_run_analysis()4. 结果解读技巧
根据轮廓值判断质量的实用标准：
| 轮廓值范围 | 聚类质量 | 处理建议 |
|---|---|---|
| 0.7-1.0 | 优秀 | 可直接用于结论 |
| 0.5-0.7 | 良好 | 检查边缘节点 |
| 0.3-0.5 | 一般 | 考虑参数优化 |
| <0.3 | 较差 | 需要重新分析 |
5. 高手私藏技巧
参数设置黄金组合
- 文献量 <500：g-index=10, LLR 算法
- 文献量 >1000：g-index=15, MI 算法
易错点提醒
- ❌ 直接使用默认参数
- ❌ 忽略时区划分（特别是跨国数据）
- ❌ 混合中英文关键词（需预先统一）
动手实验
现在用你的数据尝试：
1. 按 2.2 步骤生成基础网络
2. 记录默认参数下的轮廓值
3. 调整 g -index（±3）重新运行
4. 对比两次结果的轮廓值变化
期待你在评论区分享实验发现！遇到问题可以描述：
– 使用的数据规模
– 出现的具体报错 / 异常值
– 已尝试的解决方法
正文完
