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

共计 2125 个字符，预计需要花费 6 分钟才能阅读完成。

CiteSpace 作为文献计量分析的利器，其聚类功能帮我们快速识别研究热点。但实际使用中，经常会遇到这样的尴尬场景：生成的聚类结果里，多个簇被赋予了完全相同的名称（比如三个簇都叫 ”machine learning”），导致后续分析时根本无法区分这些簇的实际差异。

这种情况的根源在于 CiteSpace 的命名机制。系统默认采用 LLR（对数似然比）算法从簇内文献的标题 / 摘要中提取特征词作为标签，当不同簇的核心术语分布高度相似时，就会产生重复命名。更麻烦的是，这种情况会直接影响：

图谱的可读性（难以直观区分不同簇）
趋势分析的准确性（无法追踪特定主题的演变）
结果的可解释性（相同名称可能对应不同实质内容）

CiteSpace 使用的 LLR 算法本质上是一种特征选择方法，其核心逻辑是：

对每个聚类内的所有文本（标题 / 摘要）进行词频统计
计算每个词在该聚类 vs 整个数据集的分布差异
选择 LLR 得分最高的前 N 个词作为标签

数学表达式为：

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

其中 O11 是词在目标聚类的观察频次，E11 是期望频次。当两个不同聚类的主要术语组成相似时（如都高频出现 ”deep learning”），它们的 LLR 最高分词自然就会重合。

在 CiteSpace 的 Configuration > Cluster 中，关键参数包括：

Label Size (LS)：控制提取的标签词数量（默认 15）
Log-Likelihood Threshold：筛选词的 LLR 最低分值

建议通过 Python 预处理调整参数组合（需安装 pycitespace 库）：

# 示例：批量测试不同参数组合
from pycitespace import CiteSpace

cs = CiteSpace("/path/to/project")
param_grid = {'LS': [10, 15, 20], 
    'LLR_threshold': [50, 100, 150]
}

for params in param_grid:
    cs.update_config(cluster_params=params)
    cs.run_clustering()
    # 导出结果时添加参数标记
    cs.export_results(f"results_LS{params['LS']}_TH{params['LLR_threshold']}.xlsx")

创建custom_stopwords.json，强制排除高频通用词：

{"general_terms": ["study", "research", "analysis"],
    "domain_specific": ["machine learning", "deep learning"],
    "methodology": ["based", "approach", "model"]
}

在 CiteSpace 中通过 Data > Stop Words 加载该文件，系统将跳过这些词的特征选择。

使用正则表达式给重复名称添加后缀标识：

import re
import pandas as pd

def rename_clusters(df):
    name_count = {}
    new_names = []

    for name in df['ClusterName']:
        if name in name_count:
            name_count[name] += 1
            new_name = f"{name}_V{name_count[name]}"
        else:
            name_count[name] = 1
            new_name = name
        new_names.append(new_name)

    df['UniqueName'] = new_names
    return df

# 使用示例
result_df = pd.read_csv("clusters.csv")
renamed_df = rename_clusters(result_df)
renamed_df.to_csv("clusters_renamed.csv", index=False)