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 2160 个字符，预计需要花费 6 分钟才能阅读完成。

背景介绍：为什么需要聚类分析

CiteSpace 作为文献计量学的经典工具，能通过关键词共现网络揭示学科知识结构。聚类分析是其中最关键的功能之一，它可以将大量关键词自动归类，帮助我们快速发现研究热点和趋势。想象一下，面对上千篇文献的关键词，如果没有聚类，我们就像在黑夜中摸索；而好的聚类结果，就像给这些关键词画出了清晰的地图。

新手常见痛点

刚开始使用 CiteSpace 时，很多人都会遇到这些 ” 坑 ”：

• 数据格式问题 ：从 Web of Science 导出的数据经常带有冗余字符，直接导入会报错
• 参数困惑 ：面对 g -index、LLR/LSI 算法选择时不知所措
• 可视化迷茫 ：生成的知识图谱看不懂，不知道 Q 值、S 值代表什么
• 结果不稳定 ：同样的数据，每次跑出来的聚类数目都不一样

数据预处理实战

好的分析从干净的数据开始。我们先解决第一个痛点——数据清洗。假设我们已经从 Web of Science 导出了 CSV 格式的文献数据，主要包含标题、作者、关键词等字段。

import pandas as pd
import re

def clean_keywords(df):
    """
    清洗关键词列的函数
    :param df: 包含关键词列的 DataFrame
    :return: 清洗后的 DataFrame
    """
    # 去重：合并相同文献的不同版本
    df = df.drop_duplicates(subset=['Title'])

    # 处理关键词：WOS 导出格式为 "keyword1; keyword2"
    def process_keywords(text):
        if pd.isna(text):
            return []
        # 去除多余空格和特殊字符
        text = re.sub(r'[^a-zA-Z0-9;\s]', '', str(text))
        return [kw.strip().lower() for kw in text.split(';') if kw.strip()]

    df['Keywords'] = df['Keywords'].apply(process_keywords)

    # 展开关键词列表（一行变多行）exploded = df.explode('Keywords')

    # 过滤停用词
    stopwords = {'study', 'analysis', 'effect'}
    filtered = exploded[~exploded['Keywords'].isin(stopwords)]

    return filtered

# 使用示例
data = pd.read_csv('wos_records.csv')
cleaned_data = clean_keywords(data)
cleaned_data.to_csv('cleaned_keywords.csv', index=False)

这段代码完成了几个关键步骤：去重、关键词分割、大小写统一、停用词过滤。特别注意 WOS 导出的关键词是用分号分隔的，这是后续构建共现矩阵的基础。

参数配置详解

在 CiteSpace 中，有几个关键参数直接影响聚类质量：

1. g-index：控制网络修剪的强度。经验值为 25 时能平衡网络的丰富性和简洁性。当你的数据量很大（>5000 篇）时可以适当提高。

2. 聚类算法选择 ：

3. LLR（对数似然率）：适合发现具有显著统计特征的主题
4. LSI（潜在语义索引）：适合处理同义词较多的领域

5. 新手建议先用 LLR，它对关键词的区分度更好

6. 时间切片 ：如果研究跨度为 10 年，设置每 1 - 2 年为一个切片比较合理。切片太多会导致网络碎片化。

如何解读可视化结果

运行 CiteSpace 后，你会得到类似这样的统计信息：

Modularity Q=0.8123
Mean Silhouette=0.9321

这两个值很关键：

• Q 值（模块度）：衡量聚类质量，0.3 以上可以接受，0.7 以上非常好。上例中的 0.81 说明聚类结构非常清晰。

• S 值（轮廓系数）：反映类内紧密度，0.5 以上合格，0.9 以上说明类间区分极好。

在知识图谱中，你会看到：

• 不同颜色的节点代表不同聚类
• 节点大小反映关键词出现频次
• 连线粗细表示共现强度

三大常见错误及解决方案

1. 关键词同义不同形 ：比如 ”machine learning” 和 ”ml” 被分成两个节点

2. 解决：在预处理阶段建立同义词词典统一替换

3. 聚类结果不稳定 ：每次运行得到的聚类数目不一致

4. 解决：固定随机种子，在 Pathfinder 设置中取消 ”Pruning the merged network”

5. 图谱过于密集 ：节点挤在一起看不清

6. 解决：调整 Node Spacing 参数，或导出后用 Gephi 进一步美化

进阶技巧：交叉验证

为了验证 CiteSpace 结果的可靠性，可以：

1. 用 VOSviewer 跑同样的数据，比较两边的聚类结构
2. 对关键聚类人工检查：随机抽样 10 篇文献，看是否确实属于该主题
3. 结合时间线视图，检查聚类演变的合理性

思考题

当你发现聚类结果中出现大量孤立节点（不与其他节点连接的单个点），可能的原因包括：
1. 数据清洗不彻底，包含了很多非专业术语
2. g-index 设置过高，修剪掉了弱连接
3. 该领域本身存在大量独立研究方向

优化方法：
1. 重新检查关键词清洗流程
2. 逐步降低 g -index 值（比如从 25 降到 15）
3. 考虑合并小聚类或使用其他算法

通过这套完整的流程，相信你能更自信地使用 CiteSpace 开展文献分析。记住，好的聚类结果需要反复调试，就像打磨一块玉石，越细致越能显现它的价值。