CiteSpace聚类标签过少问题解析与优化实践

共计 1565 个字符，预计需要花费 4 分钟才能阅读完成。

背景介绍

CiteSpace 作为文献计量分析的主流工具，其聚类功能能直观展现领域知识结构。但在分析 Web of Science 或 CNKI 数据时，常遇到聚类标签缺失（如仅显示 CLU1/ 2 编号）或标签过少的问题。这不仅影响结果解读，更可能导致重要研究前沿被遗漏。

问题诊断

1. 算法机制限制

CiteSpace 默认使用 LLR 算法提取标签，当：
– 聚类内文献关键词重复率低
– 存在大量宽泛术语（如 ”study””analysis”）
– 聚类边缘文献占比过高时
算法会判定无显著代表性词汇

2. 参数设置问题

• Node Types选择不当（如误选 Institution 而非 Keyword）
• g-index值过高（默认 k =25 可能过滤有效标签）
• Cosine 算法 的相似度阈值过高（>0.7 时标签锐减）

3. 数据质量缺陷

• 原始数据包含大量停用词
• 关键词字段存在格式混乱（如中英文混杂）
• 文献样本量不足（<500 篇时聚类稳定性差）

技术解决方案

参数优化组合

1. 基础参数调整
2. Time Slicing：缩短时间切片（如 1 年→6 个月）增加时间维度标签
3. Selection Criteria：Top N=50→Top N% 调整为 10%

4. Node Types：优先测试 Keyword+Term 组合

5. 高级参数配置

   # 在 config 界面修改
   Pathfinder → Pruning=Minimum Spanning Tree
   Cluster → Label=Both LLR+MI

数据预处理技巧

• 关键词清洗
• 使用 Python 预处理 WOS 数据：

  import pandas as pd
  df['DE'] = df['DE'].str.replace(r'(?i)\bstudy\b|\banalysis\b', '')

• 合并近义词（如 ”blockchain” 和 ”DLT”）

• 文本增强
  通过 TI/AB 字段补充 DE 字段缺失的关键词

可视化调整

1. 修改View → Labels：
2. 勾选 ”Show All Cluster Labels”
3. 调整 Font Size=10→14
4. 使用 Cluster Explorer 二次筛选：
5. 设置 Min Cluster Size=3→5
6. 勾选 ”Hide Insignificant Labels”

实战演示

以 COVID-19 文献分析为例：

1. 数据准备
2. 下载 WOS 核心合集数据（2020-2022）

3. 导出纯文本格式，注意勾选 AB/TI/DE 字段

4. 参数设置

   Time Slicing: 12 slices (1/year)
   Term Source: Title+Abstract+Keywords
   Node Types: Noun Phrases
   Pruning: Pathfinder+Pruning sliced networks

5. 结果优化

6. 发现初始仅 8 个标签
7. 调整 Selection Criteria 为 Top 30% 后增至 14 个
8. 启用 TI/AB 字段补充后达 21 个有效标签

避坑指南

• 错误 1 ：直接修改原始 Excel 数据

• 修正：应通过 CiteSpace 的 Data→Filter 功能处理

• 错误 2 ：忽视时区设置

• 修正：需保持 Time Zone=UTC+8（中国数据）

• 错误 3 ：过度依赖自动聚类

• 修正：建议手动检查 Silhouette 值 <0.5 的聚类

进阶建议

1. 结果验证
2. 将 CiteSpace 的 network 文件导入 VOSviewer

3. 对比两种工具的聚类一致性

4. 混合方法

5. 用 Python 的 LDA 模型补充主题标签

   from sklearn.decomposition import LatentDirichletAllocation
   lda = LatentDirichletAllocation(n_components=10)

参考文献

1. Chen, C. (2017). Science Mapping: A Systematic Review. Springer
2. 李杰 (2020). CiteSpace 中文指南. 首都经济贸易大学出版社

欢迎在评论区分享您遇到的标签优化案例，我们可以共同探讨更精细的解决方案。