CiteSpace聚类结果再聚类技术解析：方法与实现

1次阅读

没有评论

共计 2367 个字符，预计需要花费 6 分钟才能阅读完成。

在文献计量分析中，CiteSpace 提供的初始聚类结果有时会存在主题覆盖范围过广、子主题未完全分离等问题。这主要是由于默认聚类算法（如对数似然比 LLR）在设置较大的聚类数量时效果下降，导致部分相关但不同的主题被合并到同一聚类中。

CiteSpace 数据导出

在 CiteSpace 完成初步分析后，可以通过以下路径导出数据：
– 主界面选择 ”Export” → “Network” 保存为.net 格式
– 选择 ”Export” → “Vector” 保存为.vec 格式

.net 文件包含节点间的连接信息，.vec 文件则保存了节点的向量表示。这两种格式都可以作为二次聚类的输入数据。

数据格式解析

.net 文件是 Pajek 格式的网络文件，结构如下：

*Vertices [节点数]
1 "节点 1" [其他属性]
2 "节点 2" [其他属性]
...
*Edges
1 2 [权重]
1 3 [权重]
...

.vec 文件则更简单，每行代表一个节点的向量：

 节点 1 维度 1 值 维度 2 值 ... 维度 n 值
节点 2 维度 1 值 维度 2 值 ... 维度 n 值
...

数据预处理

首先需要将 CiteSpace 导出的数据转换为 Python 可处理的格式。以下代码展示了如何读取.vec 文件：

import numpy as np

def load_vec_file(file_path):
    with open(file_path, 'r', encoding='utf-8') as f:
        lines = f.readlines()

    data = []
    labels = []
    for line in lines:
        parts = line.strip().split()
        labels.append(parts[0])
        data.append([float(x) for x in parts[1:]])

    return np.array(data), labels

特征重建

原始向量可能维度较高，需要进行降维处理。常用的方法包括：
– PCA 降维
– t-SNE 可视化
– UMAP 降维

以下是 PCA 降维示例：

from sklearn.decomposition import PCA

def reduce_dimension(data, n_components=10):
    pca = PCA(n_components=n_components)
    reduced_data = pca.fit_transform(data)
    return reduced_data

聚类算法实现

提供两种常用聚类方法的实现：

层次聚类示例 ：

from sklearn.cluster import AgglomerativeClustering

def hierarchical_cluster(data, n_clusters=5):
    clustering = AgglomerativeClustering(n_clusters=n_clusters)
    labels = clustering.fit_predict(data)
    return labels

DBSCAN 密度聚类示例 ：

from sklearn.cluster import DBSCAN

def dbscan_cluster(data, eps=0.5, min_samples=5):
    clustering = DBSCAN(eps=eps, min_samples=min_samples)
    labels = clustering.fit_predict(data)
    return labels

评估指标
轮廓系数 (Silhouette Score)：衡量聚类紧密度和分离度
Calinski-Harabasz 指数：评估类间离散度与类内离散度比值
Davies-Bouldin 指数：越小表示聚类效果越好

评估代码示例：

from sklearn.metrics import silhouette_score

def evaluate_clusters(data, labels):
    if len(set(labels)) > 1:  # 需要至少 2 个聚类
        score = silhouette_score(data, labels)
        return score
    return None

算法比较

算法类型	优点	缺点	适用场景
层次聚类	无需预设聚类数，可视化直观	计算复杂度高	中小规模数据集
DBSCAN	自动确定聚类数，适合任意形状聚类	对参数敏感	噪声数据、密度不均数据
K-means	计算效率高	需要预设 K 值，对异常值敏感	球形分布数据

特征维度问题
当特征维度超过 100 时，建议先进行降维
保留解释方差 95% 以上的主成分
对于文本数据，TF-IDF 加权可能比原始词频更好
参数调优经验
DBSCAN 的 eps 参数：可以从 0.1 开始尝试，每次增加 0.1
min_samples 通常设置为 5 -10
使用 k -distance 曲线帮助确定 eps

结果可视化

import matplotlib.pyplot as plt

def plot_clusters(data, labels):
    plt.figure(figsize=(10, 8))
    scatter = plt.scatter(data[:, 0], data[:, 1], c=labels, cmap='viridis')
    plt.colorbar(scatter)
    plt.title('Cluster Visualization')
    plt.show()

通过二次聚类，研究者可以在 CiteSpace 初步分析的基础上获得更精细的主题划分。不同学科领域的文献数据特性差异较大，建议读者在自己的数据集上尝试不同算法和参数组合。例如，医学文献可能适合层次聚类，而交叉学科研究可能更适合密度聚类。

最终目标是找到最能反映文献内在结构的聚类方式，为研究前沿分析提供更深入的洞察。读者可以从简单的层次聚类开始，逐步尝试更复杂的算法，结合领域知识评估结果合理性。

正文完