CiteSpace关键词聚类实战：从数据预处理到可视化分析全流程解析

共计 1726 个字符，预计需要花费 5 分钟才能阅读完成。

痛点场景

在文献计量分析中，关键词聚类常常遇到以下问题：

• 停用词干扰 ：常见无意义词汇（如“研究”、“分析”）影响聚类效果
• 语义相似度计算不准 ：同义词（如“肿瘤”与“癌症”）未被正确归并
• 低频词噪声 ：出现频次极低但无实际意义的词汇干扰聚类
• 学科差异显著 ：医学领域专业术语与社会科学通用词汇的处理方式不同
• 聚类结果不稳定 ：相同数据多次运行可能产生不同聚类结构

技术选型

关键词向量化方法对比

1. TF-IDF
2. 优点：计算简单，适合高频关键词提取
3. 缺点：无法捕捉语义关联（如“糖尿病”与“高血糖”）

4. CiteSpace 应用：默认预处理方法，适合快速生成基础网络

5. Word2Vec

6. 优点：能识别语义相似性，适合跨语言文献分析
7. 缺点：需要大量训练数据，小样本效果差

8. CiteSpace 应用：需通过 Python 预处理后导入

9. LDA 主题模型

10. 优点：发现潜在主题，适合深层次知识结构挖掘
11. 缺点：需要人工确定主题数量，计算成本高
12. CiteSpace 应用：与聚类算法结合时需调整 gamma 参数

核心实现

数据准备流程

1. 从 Web of Science 导出纯文本数据
2. 选择“全记录与引用的参考文献”导出格式

3. 确保包含 DE（作者关键词）、ID（数据库关键词）字段

4. 中文文献预处理脚本示例（Python 3.8）

import jieba
from collections import Counter

# 自定义停用词表
stopwords = [line.strip() for line in open('stopwords.txt', encoding='utf-8')]

def process_text(text):
    words = [word for word in jieba.cut(text) 
             if word not in stopwords and len(word) > 1]
    return Counter(words)

# 示例：处理 CNKI 导出的 TXT 文件
with open('literature.txt', 'r', encoding='utf-8') as f:
    word_counts = process_text(f.read())
    print(word_counts.most_common(20))

1. CiteSpace 数据转换
2. 使用菜单【Data】→【Import/Export】转换 WoS 数据
3. 中文文献需先进行繁简转换（推荐 OpenCC 工具）

调优策略

关键参数解析

• Gamma 参数 （0.0-1.0）：
• 低值：生成更多小聚类，适合探索性研究
• 高值：形成少量大聚类，适合验证性研究
• 医学建议：0.6-0.8（专业术语区分度高）

• 社科建议：0.3-0.5（概念边界模糊）

• 网络裁剪 （Pruning）：

• Pathfinder：保留关键连接，适合清晰展示主路径
• Minimum Spanning Tree：最简网络，避免视觉混乱

避坑指南

常见问题解决方案

1. UTF- 8 编码错误
2. 症状：导入时出现乱码

3. 解决：用 Notepad++ 将文件转为 UTF-8 with BOM 格式

4. 聚类过度聚合

5. 现象：所有关键词聚为 1 - 2 个大类

6. 调试：降低 gamma 值 + 启用 LLR 算法

7. 节点重叠严重

8. 调整：Layout→Attraction→Repulsion 设为 1.5-2.0

可视化进阶

期刊级图谱优化

1. 颜色映射
2. 时间维度：使用【View】→【Color Maps】→”Spectral”

3. 聚类维度：手动分配对比色（建议不超过 8 类）

4. 矢量图导出

5. 选择【File】→【Export】→”PDF/EPS”
6. 分辨率设为 600dpi 以上
7. 字体推荐使用 Arial Unicode MS

动手实验

COVID-19 文献突发检测

1. 下载示例数据集：
2. 从 WHO COVID-19 数据库导出 2020-2023 年文献

3. 包含关键词字段：”coronavirus”, “pandemic” 等

4. 复现步骤：

5. 在 CiteSpace 中设置时间切片（Year Per Slice=1）
6. 启用 Burst Detection（Ctrl+Alt+B）

7. 查看【Burstness】选项卡识别研究热点变迁

8. 预期结果：

9. 2020 年爆发关键词：”lockdown”, “ventilator”
10. 2022 年新突现词：”Omicron”, “vaccine hesitancy”

通过本方案，研究者可系统掌握从原始数据到知识图谱的全流程分析方法。建议先使用小样本测试参数组合，再扩展到全量数据分析。