CiteSpace关键词聚类图深度解读指南：从数据预处理到结果分析

1次阅读

共计 2846 个字符，预计需要花费 8 分钟才能阅读完成。

关键词聚类图（Keyword Co-occurrence Cluster Map）是 CiteSpace 生成的文献计量分析核心可视化成果，通过节点间连线反映研究主题关联强度，其颜色和模块分布可揭示学科演化路径。但实践中常见三类误读：

将节点大小简单等同于重要性，忽略共现频次（Co-occurrence Frequency）与中介中心性（Betweenness Centrality）的区别
混淆聚类标签（LLR 算法生成）与人工归纳主题的关系
过度解读低模块度（Q<0.3）的松散聚类结构

使用 Python 的 pandas 处理 Web of Science 导出的.txt 记录，注意处理多字节字符：

import pandas as pd
import re

def clean_wos_data(filepath):
    df = pd.read_csv(filepath, sep='\t', encoding='utf-8')
    # 去除 DOI 缺失记录
    df = df[df['DI'].notna()] 
    # 合并关键词列（WOS 中可能分散在 DE 和 ID 字段）df['keywords'] = df['DE'].fillna('') +';'+ df['ID'].fillna('')
    # 标准化分隔符并去重
    df['keywords'] = df['keywords'].apply(lambda x: list(set([k.strip().lower() for k in re.split('[;,]', x) if k.strip()]))
    )
    return df

停用词过滤需特别注意学科特异性术语，建议构建动态词表：

from sklearn.feature_extraction.text import ENGLISH_STOP_WORDS

def build_stopwords(extra_words=None):
    base_stop = ENGLISH_STOP_WORDS.union({'study', 'results', 'analysis'})
    return base_stop.union(extra_words) if extra_words else base_stop

词频 - 逆文档频率（Term Frequency-Inverse Document Frequency, TF-IDF）筛选特征词：

from sklearn.feature_extraction.text import TfidfVectorizer

def extract_keywords(docs, max_features=500):
    tfidf = TfidfVectorizer(
        max_features=max_features,
        stop_words=build_stopwords(),
        ngram_range=(1, 2)
    )
    X = tfidf.fit_transform([' '.join(d) for d in docs])
    return tfidf.get_feature_names_out()

对数似然比（Log-Likelihood Ratio, LLR）算法伪代码：

function LLR_Clustering(keywords, cooccur_matrix):
    # 计算每对关键词的共现显著性
    for i in range(n_keywords):
        for j in range(i+1, n_keywords):
            O_ij = cooccur_matrix[i,j]  # 观测共现次数
            E_ij = (row_sum[i] * col_sum[j]) / total  # 期望值
            LLR_score = 2 * (O_ij * log(O_ij/E_ij) - (O_ij - E_ij))

    # 使用贪心算法进行模块化聚类
    clusters = []
    while unassigned_keywords:
        seed = argmax(LLR_scores)
        cluster = expand_cluster(seed, threshold=3.84)  # p<0.05 临界值
        clusters.append(cluster)

    return clusters

模块度（Modularity, Q 值）：衡量网络社区结构强度，计算方式：

import networkx as nx

def calculate_modularity(graph, clusters):
    return nx.algorithms.community.modularity(
        graph, 
        [{n for n in c} for c in clusters]
    )

– Q>0.3 表示显著社区结构
– 0.1<Q<0.3 需谨慎解读
– Q<0.1 建议重新设置参数

轮廓系数（Silhouette Coefficient, S 值）：评估聚类紧密度，实现代码：

from sklearn.metrics import silhouette_score

def evaluate_clusters(cooccur_matrix, labels):
    return silhouette_score(
        cooccur_matrix, 
        labels, 
        metric='cosine'
    )

– S∈[-1,1]，值越接近 1 说明同类越紧密
– 建议阈值：S>0.25 为可接受结构

突发检测（Burst Detection）对时间粒度敏感：
年度切片适合长周期趋势分析（10 年以上）
季度 / 月度切片需至少 50 篇 / 时段

使用 g-index 验证切片合理性：

def g_index(citation_counts):
    sorted_counts = sorted(citation_counts, reverse=True)
    return max(i for i, c in enumerate(sorted_counts) if c >= i)

构建学科无关词表（如 ”method”, “effect”）

设置相对频次阈值：

def filter_by_freq(keywords, docs, min_relative_freq=0.01):
    doc_freq = {k: sum(k in d for d in docs) for k in keywords}
    threshold = len(docs) * min_relative_freq
    return [k for k, v in doc_freq.items() if v >= threshold]