CiteSpace聚类分析入门：LLR算法原理与实战指南

1次阅读

共计 1617 个字符，预计需要花费 5 分钟才能阅读完成。

许多科研新手在使用 CiteSpace 进行文献聚类分析时，常常因为对 LLR（对数似然比）算法的理解不足，导致聚类结果的误读。LLR 算法与其他常见的算法（如 TF-IDF）有本质区别，主要体现在它对低频特征词的敏感性上。TF-IDF 主要关注词频和逆文档频率，而 LLR 则通过统计检验的方法，更倾向于识别那些在特定类别中出现频率显著高于其他类别的词汇。这种特性使得 LLR 在文献计量分析中更具优势，但也增加了其理解难度。

LLR 算法的核心思想是通过比较观察值与期望值的差异，来判断某个词汇在特定类别中的显著性。其数学表达式如下：

$$
LLR = 2 \sum_{i} O_{i} \ln \left(\frac{O_{i}}{E_{i}} \right)
$$

其中，(O_{i})表示观察值，(E_{i})表示期望值。LLR 值越大，说明词汇在特定类别中的出现频率显著高于其他类别。

LLR 算法对低频特征词的敏感性体现在其计算过程中。即使是低频词，只要其在某个类别中的出现频率显著高于其他类别，LLR 值也会较高。这使得 LLR 能够捕捉到那些虽然出现频率不高，但对特定类别具有重要意义的词汇。

从 Web of Science 导出文献数据，保存为纯文本格式（如.txt 或.csv）。
使用 CiteSpace 导入数据，确保所有字段（如标题、摘要、关键词等）正确映射。

在 CiteSpace 的聚类分析界面，选择 LLR 作为聚类算法。
设置适当的剪枝参数（如 Pathfinder 或 Minimum Spanning Tree），以优化聚类结果。
运行分析，生成聚类网络图。

以下是一个简单的 Python 代码片段，用于模拟 LLR 计算过程：

import numpy as np
import pandas as pd
from scipy.stats import chi2

# 虚构数据示例
observed = np.array([10, 20, 30])  # 观察值
expected = np.array([15, 15, 30])  # 期望值

# 计算 LLR
llr = 2 * np.sum(observed * np.log(observed / expected))

# 计算 p 值
df = len(observed) - 1  # 自由度
p_value = 1 - chi2.cdf(llr, df)

print(f"LLR 值: {llr:.2f}")
print(f"P 值: {p_value:.4f}")

代码注释：
– observed和 expected 分别表示观察值和期望值。
– llr计算对数似然比，用于衡量观察值与期望值的差异。
– p_value用于检验 LLR 值的显著性。

聚类网络图的可视化效果对结果解读至关重要。以下是几个优化建议：