CiteSpace聚类结果再聚类技术解析：方法与实现

1次阅读

共计 1832 个字符，预计需要花费 5 分钟才能阅读完成。

CiteSpace 作为文献计量学常用工具，其默认聚类算法（如 LLR、LSI）虽然能快速生成主题结构，但在处理跨学科或复杂主题文献时，常出现以下问题：

主题颗粒度过粗：一个聚类可能包含多个强相关子主题（如 ” 机器学习 ” 聚类下未区分 ” 深度学习 ” 与 ” 强化学习 ”）
边缘节点归属模糊：共现强度低的术语可能被强制归入不匹配的大类
算法适应性单一：默认参数难以适应不同学科领域的数据分布特性

文件结构解析：
.net文件：包含节点间共现关系的 Pajek 格式网络数据
.vec文件：节点特征向量（默认为 LLR 算法生成的概率分布）
特征重建方法对比：

TF-IDF 加权：适用于强调术语区分度

from sklearn.feature_extraction.text import TfidfVectorizer
tfidf = TfidfVectorizer(max_features=500)
new_features = tfidf.fit_transform(doc_terms_list)

LDA 主题分布：适合捕捉潜在语义

from sklearn.decomposition import LatentDirichletAllocation
lda = LatentDirichletAllocation(n_components=20)
topic_dist = lda.fit_transform(term_freq_matrix)

层次聚类示例（完整代码）：

# 读取 CiteSpace 导出的节点特征
import pandas as pd
nodes = pd.read_csv('citespace_nodes.csv', index_col=0)

# 标准化处理
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
scaled_features = scaler.fit_transform(nodes[['x', 'y', 'z']])

# 层次聚类
from sklearn.cluster import AgglomerativeClustering
cluster = AgglomerativeClustering(
    n_clusters=None, 
    affinity='cosine', 
    linkage='average',
    distance_threshold=0.5  # 控制子树合并阈值
)
new_labels = cluster.fit_predict(scaled_features)

DBSCAN 参数调优技巧：
– eps值建议从 0.1 开始网格搜索
– 使用 k -distance 曲线确定拐点：

from sklearn.neighbors import NearestNeighbors
neigh = NearestNeighbors(n_neighbors=5)
nbrs = neigh.fit(features)
distances, _ = nbrs.kneighbors(features)
# 取第 5 近邻距离排序后绘图寻找 "肘部"

算法类型	轮廓系数均值	主题连贯性	适用场景
层次聚类	0.62	中等	需要明确层级结构时
DBSCAN	0.71	高	噪声数据较多的数据集
谱聚类	0.58	低	小规模稠密矩阵

维度控制：
特征数量超过 500 时建议先使用 PCA 降维

保留 90% 以上方差成分：

from sklearn.decomposition import PCA
pca = PCA(n_components=0.9)
reduced = pca.fit_transform(features)

可视化对比：

使用 pyvis 库生成交互式网络：

from pyvis.network import Network
net = Network()
for _, row in nodes.iterrows():
    net.add_node(row['name'], group=new_labels[row.name])
net.show('comparison.html')

建议先在 WoS 的 ”Computer Science” 领域小样本数据（约 500 篇文献）上测试，观察不同学科领域对聚类敏感度的差异。例如：