CiteSpace进阶指南：如何对聚类结果进行二次聚类分析

1次阅读

没有评论

共计 1940 个字符，预计需要花费 5 分钟才能阅读完成。

刚开始用 CiteSpace 做文献分析时，很多人会发现自动生成的聚类（clustering）结果存在主题混杂的情况。比如一个名为『机器学习』的聚类里，可能同时包含深度学习算法和传统统计方法的关键词，这不利于我们观察细分领域结构。

这种现象是因为软件默认的聚类算法采用固定阈值切割网络，而不同学科领域的关键词密度差异较大。这时候就需要对首次聚类结果进行二次处理（secondary clustering），就像用不同倍率的显微镜观察组织切片一样。

在 CiteSpace 中完成基础分析后：

点击『Export』→『Network Summary』
选择『Cluster Members』格式
保存为 CSV 文件（建议命名如 primary_clusters.csv）

文件结构示例如下：

ClusterID, Label, Terms
1, 神经网络, 深度学习; 卷积网络;RNN
2, 数据分析, 回归分析; 主成分分析; 假设检验

import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.cluster import AgglomerativeClustering

# 读取数据
df = pd.read_csv('primary_clusters.csv')

# 将分号分隔的关键词转换为列表
df['term_list'] = df['Terms'].str.split(';')

# 合并所有关键词创建语料库
corpus = []
for terms in df['term_list']:
    corpus.extend(terms)
corpus = list(set(corpus))  # 去重

这里使用 TF-IDF 加权（Term Frequency-Inverse Document Frequency），它能够降低高频常见词的权重：

# 创建文档 - 词项矩阵
vectorizer = TfidfVectorizer()
X = vectorizer.fit_transform([''.join(terms) for terms in df['term_list']])

# 使用层次聚类（hierarchical clustering）cluster = AgglomerativeClustering(
    n_clusters=None,  # 不预设类别数
    affinity='cosine',  # 使用余弦相似度
    linkage='average',
    distance_threshold=0.6  # 重要参数！控制聚类粒度
)

cluster_labels = cluster.fit_predict(X.toarray())

distance_threshold：
值越小聚类越精细（建议 0.5-0.8）
可通过观察树状图（dendrogram）确定
linkage：
『average』适合处理噪声数据
『ward』能生成更均衡的簇

移除出现频率 >30% 的通用词（如『研究』『方法』）
保留至少出现在 3 个不同聚类的术语

避免直接使用 Jaccard 相似度（会低估长文本关系）
推荐余弦相似度（cosine similarity）+ TF-IDF 加权组合

当标签重叠时：

调整 force-directed 布局的斥力参数
使用词云（word cloud）替代节点标签
对次要标签启用鼠标悬停显示

计算模块度（Modularity Q 值）：

from sklearn.metrics import pairwise_distances
import numpy as np

# 生成距离矩阵
dist_matrix = pairwise_distances(X, metric='cosine')

# 计算 Q 值（>0.3 表示良好分割）q_value = compute_modularity(cluster_labels, dist_matrix)