CiteSpace关键词聚类时间轴技术解析：从数据预处理到可视化实战

1次阅读

共计 2365 个字符，预计需要花费 6 分钟才能阅读完成。

传统文献综述方法往往依赖人工阅读和归纳，不仅耗时耗力，而且难以全面捕捉学科发展的动态趋势。尤其是在面对海量文献时，研究者很难直观地发现知识演进的规律和热点变化。

关键词共现网络作为一种有效的文献计量分析方法，能够通过统计关键词在文献中共同出现的频率，构建网络关系图，从而揭示学科领域的研究热点和知识结构。

然而，CiteSpace 作为一款常用的可视化工具，在实际使用中常常面临数据格式转换和参数配置的问题。许多用户反映，数据预处理步骤繁琐，参数设置不当容易导致可视化效果不佳，甚至无法生成预期的时间轴。

CiteSpace 的核心算法主要包括 TF-IDF（词频 - 逆文档频率）、社区发现（Community Detection）和 Pathfinder 算法。这些算法的结合使得 CiteSpace 能够高效地处理大规模的文献数据，并生成清晰的关键词聚类和时间轴。

TF-IDF：用于评估关键词的重要性，帮助筛选出具有代表性的关键词。
社区发现 ：通过模块化优化算法（如 Louvain 算法）将关键词划分为不同的聚类，每个聚类代表一个研究主题。
Pathfinder 算法 ：用于简化网络结构，突出关键路径，使得可视化结果更加清晰。

与其他可视化工具如 Gephi 和 VOSviewer 相比，CiteSpace 在时间轴生成和动态分析方面具有明显优势。Gephi 适合静态网络的可视化，而 VOSviewer 则更注重网络的布局和美观性。CiteSpace 的优势在于其能够捕捉研究主题的演变过程，特别适合纵向分析。

以下是一个 Python 代码示例，演示如何将 Web of Science 的原始数据转换为 CiteSpace 支持的格式，并处理异常值：

import pandas as pd

def preprocess_wos_data(input_file, output_file):
    # 读取原始数据
    df = pd.read_csv(input_file, encoding='utf-8')

    # 处理缺失值
    df.fillna('', inplace=True)

    # 提取关键词列并去重
    keywords = df['Keywords'].str.split(';').explode().str.strip().unique()

    # 保存为 CiteSpace 格式
    with open(output_file, 'w', encoding='utf-8') as f:
        for keyword in keywords:
            f.write(f"{keyword}\n")

    print(f"预处理完成，结果已保存到 {output_file}")

# 调用函数
preprocess_wos_data('wos_data.csv', 'citespace_keywords.txt')

数据导入 ：将 CNKI 或 Web of Science 的原始数据导入 CiteSpace，确保数据格式正确。
时间切片设置 ：根据研究需求设置时间跨度，通常建议以 1 - 2 年为一个切片。
网络构建 ：使用 NetworkX 构建关键词共现网络，以下是一个代码片段：

import networkx as nx
from itertools import combinations

def build_co_occurrence_network(keywords_list):
    G = nx.Graph()

    for keywords in keywords_list:
        # 生成关键词组合
        pairs = combinations(keywords, 2)
        for pair in pairs:
            if G.has_edge(*pair):
                G[pair[0]][pair[1]]['weight'] += 1
            else:
                G.add_edge(pair[0], pair[1], weight=1)

    return G

# 示例调用
keywords_list = [['大数据', '人工智能'], ['人工智能', '机器学习']]
G = build_co_occurrence_network(keywords_list)
print(nx.info(G))