CiteSpace关键词聚类实战：从数据清洗到可视化分析的完整解决方案

共计 1445 个字符，预计需要花费 4 分钟才能阅读完成。

背景痛点

在科研文献分析中，CiteSpace 是常用的可视化工具，但很多用户在数据预处理和聚类效果上遇到困难。常见问题包括：

• 数据格式转换复杂：CNKI 和 WoS 导出的数据格式差异大，手动整理耗时且易错
• 短文本聚类效果差：传统 TF-IDF（词频 - 逆文档频率）方法对关键词这类短文本特征捕捉不足
• 可视化参数难调：节点重叠、标签遮挡等问题影响结果解读

技术方案

1. 自动化数据清洗

使用 Pandas 构建标准化处理流程：

# 示例：CNKI 数据清洗核心代码
import pandas as pd

def clean_cnki_data(raw_df):
    # 处理缺失值
    df = raw_df.dropna(subset=['关键词', '摘要'])  
    # 同义词合并（需自定义映射表）synonym_map = {'机器学习':'ML', '深度学习':'DL'}
    df['关键词'] = df['关键词'].replace(synonym_map, regex=True)
    # 关键词分割（中文分号处理）df['关键词列表'] = df['关键词'].str.split(';')
    return df

2. 改进的 LDA 聚类

结合 Word2Vec 增强语义理解：

1. 先用 Word2Vec 训练词向量
2. 将关键词表示为词向量均值
3. 输入改进的 LDA 模型训练

from gensim.models import Word2Vec, LdaModel

# 训练词向量
w2v_model = Word2Vec(keyword_lists, vector_size=100, min_count=3)

# 文档向量表示（均值法）def doc2vec(keywords):
    return np.mean([w2v_model.wv[w] for w in keywords if w in w2v_model.wv], axis=0)

# LDA 训练
lda = LdaModel(corpus=vectorized_docs, num_topics=10)

3. 可视化优化

通过 NetworkX 调整布局参数：

import networkx as nx

G = nx.Graph()
# 添加节点和边
for cluster in clusters:
    G.add_node(cluster['name'], size=cluster['count'])

# 力导向布局优化
pos = nx.spring_layout(G, k=0.5, iterations=50)  # 调整 k 值避免重叠

避坑指南

• 高频词过滤：保留词频在总文档 5%-20% 之间的关键词
• 聚类数量确定：结合肘部法则和人工解读

  # 肘部法则示例
  distortions = []
  for k in range(2,15):
      kmeans = KMeans(n_clusters=k)
      kmeans.fit(vectors)
      distortions.append(kmeans.inertia_)

• 节点重叠解决：
• 调整 NetworkX 的 spring_layout 参数
• 使用 Gephi 的 Force Atlas 2 布局
• 手动微调关键节点位置

延伸思考

1. 方案迁移 ：本项目的预处理模块可直接用于 VOSviewer，只需调整输出格式为network 或map文件
2. 动态聚类：通过滑动时间窗口实现时序演化分析
3. 按年份切片数据
4. 计算相邻时间片聚类结果的相似度
5. 用桑基图展示主题演变

实践心得

经过多个项目的验证，这套方案将传统 CiteSpace 分析的效率提升了 3 - 5 倍。特别是在处理中文文献时，通过自定义的同义词表和停用词表，显著提升了聚类结果的解释性。可视化方面建议：当节点超过 200 个时，优先考虑分层展示或交互式可视化。