CiteSpace聚类标签序号不连续问题分析与解决方案

共计 1512 个字符，预计需要花费 4 分钟才能阅读完成。

问题背景

在使用 CiteSpace 进行文献聚类分析时，用户经常会发现生成的聚类标签序号出现不连续现象（例如 1,2,4,7…）。这种断层会带来两个显著问题：

1. 影响结果的可读性，难以快速判断聚类总数
2. 干扰后续统计分析（如计算聚类规模分布）

原因分析

从算法实现角度看，序号断层主要源于 CiteSpace 的聚类机制：

• 模块度优化过程：CiteSpace 默认使用 Louvain 算法，在迭代合并社区时可能丢弃小型聚类（节点数 <5）
• 显著性过滤：系统会自动过滤轮廓系数(Silhouette)<0.3 的弱聚类
• 索引重建延迟：删除聚类后未及时重整序号，保留原始运算编号

解决方案

方案 1：调整聚类参数

通过修改算法参数保留更多聚类：

# 在 CiteSpace 的 Project 界面设置：Network Configuration →
    - Modularity (Q): 0.3~0.7 (默认 0.5)
    - Silhouette: 0.1~0.3 (默认 0.3)

参数调整建议：

• 降低 Modularity 会增加聚类数量，但可能降低区分度
• 降低 Silhouette 会保留更多边缘聚类，但质量可能下降

方案 2：手动修正方法

操作步骤：

1. 导出聚类结果：Export → Cluster Summary
2. 用 Excel 打开 CSV 文件
3. 新增一列 ”NewID”，使用公式生成连续序号：

   =IF(A2="","",COUNTIF($A$2:A2,"<>"&""))

4. 替换原 ClusterID 列数据

方案 3：Python 自动化处理

完整处理脚本（需安装 pandas 和 networkx）：

import pandas as pd
import networkx as nx

def fix_cluster_ids(input_csv, output_csv):
    """
    修正聚类标签序号不连续问题
    :param input_csv: CiteSpace 导出的聚类文件
    :param output_csv: 输出文件路径
    """
    df = pd.read_csv(input_csv)

    # 获取有效聚类（非空值）valid_clusters = df[df['ClusterID'].notna()]

    # 生成连续编号
    cluster_map = {
        old_id: new_id + 1 
        for new_id, old_id 
        in enumerate(valid_clusters['ClusterID'].unique())
    }

    # 映射新 ID
    df['NewClusterID'] = df['ClusterID'].map(cluster_map)

    # 保存结果
    df.to_csv(output_csv, index=False)
    print(f"已修正 {len(cluster_map)} 个聚类标签")

# 使用示例
fix_cluster_ids("cluster_summary.csv", "fixed_clusters.csv")

性能对比

避坑指南

1. 参数过载问题：
2. 同时调整多个参数可能导致聚类特征混乱

3. 建议每次只修改一个参数并观察变化

4. 编号冲突风险：

5. 手动修正时注意保留原 ID 映射关系

6. 推荐使用方案 3 的字典映射方法

7. 网络拓扑保持：

8. 任何修改都不应改变原始网络结构
9. 可通过检查模块度 Q 值验证（变化应 <0.05）

结语

通过本文介绍的三种方法，研究者可以根据实际场景选择最适合的解决方案。对于需要频繁处理聚类结果的用户，推荐将 Python 脚本集成到分析流程中，实现一键化修正。后续研究可探索 CiteSpace 的 API 直接接入方案，实现更底层的参数控制。