CiteSpace关键词聚类实战：从数据清洗到可视化分析的完整指南

共计 1760 个字符，预计需要花费 5 分钟才能阅读完成。

低质量聚类结果的典型表现

在初次使用 CiteSpace 进行关键词聚类分析时，新手常会遇到以下问题：

• 节点过度重叠：图谱中大量节点相互堆叠，导致关键信息被掩盖。例如某社科领域分析中，”social media” 和 ”online community” 等高频词节点完全重叠，无法识别关联强度。
• 聚类标签不明确：自动生成的聚类标签出现 ”#0 undefined” 或 ”#3 network” 等无意义词汇，某医学文献分析中 17 个聚类有 9 个标记为 ”study”。
• 网络结构碎片化：模块化值(Q 值)<0.3 时呈现散点状分布，如某工程领域研究出现 42 个孤立的小聚类。

数据预处理关键技术

1. Web of Science 数据转换

使用 Python pandas 处理 WoS 导出数据时需注意：

import pandas as pd
# 处理特殊字符和缺失值
def clean_wos_data(df):
    df['DOI'] = df['DI'].str.upper().str.strip()  # 标准化 DOI
    df = df.drop_duplicates('DOI', keep='first')  # 基于 DOI 去重

    # 作者字段处理
    df['Authors'] = df['AU'].str.split(';').apply(lambda x: [a.strip().replace('.', '') for a in x] if isinstance(x, list) else [])

    # 处理缺失摘要
    df['Abstract'] = df['AB'].fillna('').str.replace(r'[^\x00-\x7F]+','', regex=True)
    return df

2. CNKI 中文文献处理

中文数据需额外注意：

• 使用 chardet 检测文件编码，常见 GB18030/UTF- 8 混用情况
• 关键词字段用 jieba 分词后再导入 CiteSpace
• 示例转换代码：

from chardet import detect
with open('CNKI.txt', 'rb') as f:
    encoding = detect(f.read())['encoding']
df = pd.read_csv('CNKI.txt', sep='\t', encoding=encoding)

核心参数配置策略

1. Node Types 选择原则

2. Pruning 算法对比

• Pathfinder：适合理论演进分析，保留关键转折路径
• MST：用于学科结构探测，确保网络连通性
• None：当研究前沿识别时保留全部共现关系

3. 时间切片设置

根据文献增长趋势选择 Years Per Slice：

1. 指数增长期：1- 2 年 / 切片
2. 平稳期：3- 5 年 / 切片
3. 跨世纪研究：建议≥5 年 / 切片

算法选择与结果解读

G 指数 vs. LLR 权重算法

Network Summary Report 解读要点

1. Modularity(Q)：>0.4 表示显著聚类结构
2. Silhouette(S)：>0.7 说明聚类内同质性高
3. Mean Year：聚类新颖性指标，值越大越前沿

常见问题解决方案

中文编码错误处理

在 CiteSpace 启动脚本中加入：

-Dfile.encoding=UTF-8
-Dsun.jnu.encoding=UTF-8

大规模网络优化

当节点 >500 时：

1. 启用 ”Hide Isolated Nodes”
2. 设置 Pruning=Pathfinder(α=1, r=5)
3. 调低 ”Links” 强度阈值至≥3

版本兼容性保障

1. 记录完整的配置 JSON：

   File > Export > Configuration

2. 统一使用 6.2.R3 版本分析
3. 保存原始数据时包含导出时间戳

实践建议

建议使用 CiteSpace 自带示例数据集 ”Demo” 进行方法验证后，按以下步骤迁移到个人数据：

1. 先以默认参数运行获得基线结果
2. 逐步调整 Slice 长度和 Pruning 强度
3. 比较不同权重算法的聚类差异
4. 特别关注学科特性（如人文社科需调低 Burst 检测灵敏度）

通过系统记录各参数组合下的 Q / S 值变化，可建立适合特定领域的参数优化策略。建议初学者从 50-100 篇文献的小样本开始训练参数敏感性，再扩展到完整数据集。