CiteSpace聚类分析中的名字重复问题：原理剖析与解决方案

1次阅读

没有评论

共计 1499 个字符，预计需要花费 4 分钟才能阅读完成。

CiteSpace 作为文献计量分析的经典工具，其聚类功能能帮助研究者快速发现领域内的研究热点。但许多用户会发现：不同聚类可能被赋予完全相同的名称（如 ”machine learning” 同时出现在多个聚类）。这种重复会导致：

结果解读困难：无法区分同名聚类的实际研究内容差异
统计指标失真：影响模块度（Modularity）等关键指标的评估
可视化混乱：在时区图或网络图中产生重叠标签

通过分析 CiteSpace 6.2.R4 源码发现，其命名流程分为三个阶段：

基于 LLR 算法提取关键词
过滤停用词后选择 Top1 作为标签
直接输出未经查重的名称

对数似然比 (LLR) 算法的核心公式为：

LLR = 2 * [O11*log(O11/E11) + O12*log(O12/E12)]

其中：
– O11: 目标词在当前聚类的出现频次
– E11: 假设词频均匀分布时的期望值

关键缺陷：当不同聚类包含相似的高频词组合时，LLR 会输出相同的 Top 关键词。例如两个 AI 方向的聚类可能都被命名为 ”deep learning”。

修改 CiteSpace 安装目录下的params.ini（示例 Python 脚本）：

import configparser

config = configparser.ConfigParser()
config.read('params.ini')

# 提高关键词特异性阈值
config.set('LLR', 'min_specificity', '0.8')  # 默认 0.5

# 限制重复词选择
config.set('Naming', 'allow_duplicates', 'false')  # 新增参数

with open('params.ini', 'w') as f:
    config.write(f)

创建 custom_stopwords.json 排除常见泛化词：

{"exact_terms": ["system", "model", "analysis"],
  "regex_patterns": ["^general", "^new"]
}

使用正则表达式添加聚类 ID 后缀（Python 示例）：

import re

def rename_clusters(cluster_report):
    name_count = {}
    for line in cluster_report.split('\n'):
        if "#" in line:  # 聚类行格式示例: #1 0.876 machine_learning
            cid, score, name = line.split()
            if name in name_count:
                new_name = f"{name}_{name_count[name]}"
                line = line.replace(name, new_name)
                name_count[name] += 1
            else:
                name_count[name] = 1
    return cluster_report