CiteSpace聚类关键词列表：从数据清洗到可视化分析的完整指南

共计 1429 个字符，预计需要花费 4 分钟才能阅读完成。

背景介绍

CiteSpace 作为文献计量学的经典工具，能通过共现分析和聚类算法揭示学科知识结构。其中聚类关键词分析是核心功能，它能自动将高频关键词归类，形成反映研究主题的知识群组。对科研新手而言，这相当于获得了一张 ” 学术地图导航 ”。

新手常见痛点

• 数据格式陷阱 ：Web of Science 导出的 CSV 文件常含隐藏字符，直接导入会导致 CiteSpace 报错
• 参数迷茫 ：面对 g -index、LLR/Silhouette 算法选择时容易随大流盲选
• 可视化误读 ：将节点大小误认为重要性指标（实际反映中介中心性）
• 清洗黑洞 ：未处理 ”machine learning” 和 ”ML” 这类同义不同形的关键词

数据预处理实战

用 Python 清洗文献数据是可靠的前置步骤，这里演示关键流程：

import pandas as pd
import re

def clean_keywords(df):
    """
    处理原始关键词列：1. 拆分多关键词单元格
    2. 统一大小写格式
    3. 合并同义词
    """
    # 拆分被分号分隔的关键词
    keywords = df['DE'].str.split(';').explode()

    # 标准化处理
    keywords = keywords.str.lower().str.strip()

    # 同义词替换字典
    synonym_dict = {
        'ml': 'machine learning',
        'ai': 'artificial intelligence'
    }
    return keywords.replace(synonym_dict)

# 示例用法    
data = pd.read_csv('wos_records.csv')
cleaned_kw = clean_keywords(data)
cleaned_kw.to_csv('cleaned_keywords.csv', index=False)

关键参数配置

1. g-index：控制聚类规模的核心参数
2. 经验值：初次分析建议设为 25，后续根据 Q 值调整

3. 原理：g 值越小聚类越精细，但可能产生碎片化

4. 聚类算法二选一 ：

5. LLR（对数似然率）：适合主题鲜明的领域

6. Silhouette：适合新兴交叉学科

7. 时间切片 ：

8. 文献量 >1000 篇时建议按 2 - 3 年分段
9. 新兴领域可用 1 年为单位捕捉热点演化

可视化解读技巧

查看生成的图谱时重点关注：

• Q 值 （模块值）：

• 0.3 说明聚类结构显著

• 0.4-0.8 为理想区间
• S 值 （轮廓值）：

• 0.7 表明聚类内部高度同质

• <0.5 需考虑调整参数

典型图谱示例：

[聚类 1] 人工智能 (0.92)
    ├── 深度学习 (0.88)
    └── 神经网络 (0.85)
[聚类 2] 区块链 (0.79)
    ├── 智能合约 (0.75)
    └── 去中心化 (0.72)

三大避坑指南

1. 同义词合并 ：
2. 问题：”IoT” 和 ”Internet of Things” 被识别为不同聚类

3. 解法：预处理时建立同义词映射表

4. 过度聚类 ：

5. 问题：一个主题被拆分成多个微小聚类

6. 解法：调高 g -index 值或改用 LLR 算法

7. 节点粘连 ：

8. 问题：关键节点重叠导致无法辨识
9. 解法：调整 Pathfinder 网络修剪参数

进阶交叉验证

将 CiteSpace 结果导入 VOSviewer 进行双重验证：

1. 在 CiteSpace 中导出网络文件 (.net)
2. 用 VOSviewer 的布局算法检查聚类稳定性
3. 对比两种工具的核心关键词排名

思考题

当聚类结果出现大量孤立节点时，可能源于：
– 数据清洗不彻底残留无关词汇
– g-index 值设置过高
– 时间切片过密导致连接断裂
优化方案包括：
1. 重新检查关键词过滤条件
2. 尝试 15-35 之间的 g -index 值
3. 合并相邻时间切片