CiteSpace聚类关键词列表解析：从数据预处理到可视化优化

共计 2317 个字符，预计需要花费 6 分钟才能阅读完成。

背景与痛点分析

在文献计量分析中，CiteSpace 作为一款强大的可视化工具，帮助研究者挖掘学科领域的发展趋势和知识结构。然而，许多科研人员在实践过程中常遇到以下问题：

• 数据预处理繁琐：Web of Science 导出的原始数据往往包含大量噪声，如作者姓名、机构信息等无关字段，需要复杂的格式转换才能被 CiteSpace 识别

• 聚类效果不佳：未清洗的关键词列表会导致聚类结果分散，出现大量无意义的孤立节点，严重影响知识图谱的可解释性

• 可视化效果差：默认参数生成的网络图常出现节点重叠、标签遮挡等问题，难以清晰展示关键研究热点

以一项关于人工智能伦理研究的案例分析为例，研究者直接使用原始 WOS 数据导入 CiteSpace 后：

1. 产生了包含 ”et al”、”study” 等无效关键词的聚类
2. 由于未合并 ”AI ethics” 和 ”Artificial Intelligence ethics” 等同义词，导致知识结构被错误分割
3. 最终得到的模块化值 (Q 值) 仅为 0.32，远低于 0.5 的有效性阈值

技术方案设计

预处理工具对比

数据清洗四步法

1. 字段提取：从 WOS 导出的 TXT 文件中精选有效字段

   import pandas as pd
   # 读取 WOS 纯文本数据
   raw_data = pd.read_csv('savedrecs.txt', sep='\t', encoding='utf-8')
   # 提取关键字段
   keywords_df = raw_data[['TI', 'DE', 'ID', 'PY']].copy()

2. 停用词过滤：构建学科专用停用词表

   from nltk.corpus import stopwords
   custom_stopwords = set(stopwords.words('english')) | {'study', 'result', 'paper'}

3. 词形归一化：使用 SnowballStemmer 进行词干提取

   from nltk.stem import SnowballStemmer
   stemmer = SnowballStemmer('english')
   keywords_df['DE'] = keywords_df['DE'].apply(lambda x: ';'.join([stemmer.stem(word) for word in str(x).lower().split(';')])
   )

4. 同义词合并：建立领域词典统一表述

   synonym_map = {'ml': 'machine learning', 'dl': 'deep learning'}
   keywords_df.replace(synonym_map, regex=True, inplace=True)

核心实现细节

LLR 算法参数优化

对数似然比 (LLR) 算法作为 CiteSpace 默认的聚类标签生成方法，其核心参数设置原则：

• 频次阈值：建议保留至少出现 5 次以上的关键词
• 时间切片：通常设为 1 年间隔，对快速演进领域可缩短至 6 个月
• 网络类型：选择 ”Co-term” 而非默认的 ”Co-word” 能获得更清晰结构

轮廓系数调优法

通过计算不同聚类数 k 对应的轮廓系数，找到最优聚类数量：

from sklearn.metrics import silhouette_score
# 假设 X 是关键词的 TF-IDF 矩阵
range_n_clusters = range(3, 10)
for n_clusters in range_n_clusters:
    clusterer = KMeans(n_clusters=n_clusters)
    preds = clusterer.fit_predict(X)
    score = silhouette_score(X, preds)
    print(f"For k={n_clusters}, Silhouette={score:.3f}")

可视化增强方案

利用 NetworkX 优化节点布局：

import networkx as nx
# 从 CiteSpace 生成的 network 文件构建图对象
G = nx.read_gexf('citespace.gexf')
# 使用 spring_layout 算法改善节点分布
pos = nx.spring_layout(G, k=0.15, iterations=50)

# 结合 matplotlib 绘制
plt.figure(figsize=(12, 12))
nx.draw_networkx_nodes(G, pos, node_size=50)
nx.draw_networkx_edges(G, pos, alpha=0.1)
nx.draw_networkx_labels(G, pos, font_size=8)
plt.axis('off')
plt.show()

常见问题与解决方案

数据格式陷阱

• 编码问题：CiteSpace 仅支持 UTF- 8 编码，处理中文数据时需注意：

  with open('input.txt', 'r', encoding='utf-8-sig') as f:
      content = f.read()

• 时间切片异常：若突现词检测失效，检查时间范围是否覆盖全部文献年份

节点计算误区

避免直接使用原始频次作为节点大小，推荐采用对数标准化：

节点大小 = 10 * log(1 + 原始频次)

效果对比与资源

• 左：原始数据生成的分散聚类
• 右：优化后清晰的知识结构

完整代码已托管至 GitHub 仓库：citespace-optimizer

推荐进一步阅读：

1. Chen, C. (2017). Science Mapping: A Systematic Review. Springer
2. 使用 VOSviewer 进行补充分析的技巧
3. 知识图谱前沿进展年度报告