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 2009 个字符，预计需要花费 6 分钟才能阅读完成。

CiteSpace 生成的关键词聚类图（Keyword Co-occurrence Clustering）是揭示研究领域知识结构的核心工具，其通过共现网络将文献关键词转化为可视化知识图谱。但实践中常见两类误读：一是将节点大小简单等同于重要性（忽略中介中心性等指标），二是将聚类边界绝对化（未考虑模块度 Q 值的统计学意义）。

WOS（Web of Science）导出的.txt 或.bib 文件需包含 DE（关键词）、PY（出版年）字段
常见问题：关键词格式不统一（如 ”machine learning” 与 ”Machine-Learning” 会被视为不同术语）

import pandas as pd
import re

# 读取 WOS 数据
df = pd.read_csv('wos_records.txt', sep='\t', encoding='utf-8')

# 关键词标准化
def clean_keywords(text):
    text = re.sub(r'[^a-zA-Z0-9\s]', '', text.lower())  # 去标点 + 小写化
    return sorted(list(set(text.split())))  # 去重 + 排序

df['keywords'] = df['DE'].apply(clean_keywords)

# 构建年份分布
publication_years = df['PY'].value_counts().sort_index()
print(f"时间跨度: {min(df['PY'])}-{max(df['PY'])}")

伪代码示例：

procedure TF-IDF
   for each document in corpus:
       term_frequency = count(term) / total_terms
       inverse_doc_freq = log(total_docs / docs_containing_term)
       weight = tf * idf
   return top_N_terms_by_weight

对数似然比（Log-Likelihood Ratio, LLR）通过比较观察频数与期望频数的差异确定聚类标签：

LLR = 2 * Σ [observed * log(observed/expected)]

参数	计算公式	推荐阈值	解释
Q 值	Modularity（模块度）	>0.3	网络社区结构显著程度
S 值	Silhouette Coefficient	>0.5	聚类内紧密度与间分离度
Sigma	突发检测强度	>1	研究前沿识别可靠性

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics import silhouette_score
import networkx as nx

# 生成共现矩阵
def build_cooccurrence(keywords_list):
    cooc = pd.DataFrame(0, index=vocab, columns=vocab)
    for keywords in keywords_list:
        for i in range(len(keywords)):
            for j in range(i+1, len(keywords)):
                cooc.loc[keywords[i], keywords[j]] += 1
    return cooc + cooc.T

# 计算模块度
G = nx.from_pandas_adjacency(cooc_matrix)
partition = community_louvain.best_partition(G)
modularity = community_louvain.modularity(partition, G)

# 轮廓系数计算
silhouette = silhouette_score(nx.to_numpy_matrix(G), 
    list(partition.values())
)