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

1次阅读

没有评论

共计 1887 个字符，预计需要花费 5 分钟才能阅读完成。

文献计量分析中，关键词聚类是理解领域知识结构的重要手段，但实际操作中常遇到以下问题：

停用词干扰：常见词汇如“研究”、“分析”等高频出现但无实际意义
语义相似度计算不准：传统词频统计无法识别近义词（如“机器学习”与“深度学习”）
聚类效果不稳定：同一数据集不同参数下可能产生碎片化或过度聚合的结果
可视化信息过载：节点重叠、标签遮挡导致图谱难以解读

优点：计算简单，适合短文本关键词提取
缺点：忽略词序和语义关系，CiteSpace 中对应Noun Phrases 提取模式

优点：捕获词语上下文语义，适合Keyword 字段分析
缺点：需要大量训练数据，CiteSpace 需通过Advanced > Word2Vec 启用

优点：发现潜在主题，适合Abstract 长文本（需在 Python 中预处理）
缺点：计算复杂度高，建议先做 TF-IDF 初筛

CiteSpace 默认采用 TF-IDF+ 对数似然比 (LLR) 算法，在 Project > Data Transformation 可切换方法

从 Web of Science 导出 全记录与引用的参考文献 ，保存为 纯文本 格式
中文文献需额外处理：

# CNKI 数据预处理示例
import jieba
from collections import Counter

def process_cnki_text(text):
    words = jieba.lcut(text)
    # 加载自定义停用词表
    with open('stopwords.txt', encoding='utf-8') as f:
        stopwords = set(f.read().splitlines())
    return [w for w in words if w not in stopwords and len(w) > 1]

# 统计高频词
text = "" # 从 CNKI 导出的摘要或关键词
keywords = process_cnki_text(text)
print(Counter(keywords).most_common(20))

新建项目时选择 Web of Science 或CNKI模板
在 Data > Import/Export 转换数据格式
关键参数设置：
Time Slicing：按研究时段划分（如 2000-2022）
Term Source：勾选Title, Abstract, Keywords
Node Types：选择 Term 或Keyword

参数	作用域	推荐范围	影响效果
Gamma	聚类算法	0.5-1.5	值越大聚类越分散
Pruning	网络简化	Pathfinder+Pruning sliced networks	避免 ” 毛球 ” 效应
Top N	节点选择	50-100 per slice	平衡信息量与噪音