CiteSpace聚类数量不连续问题分析与解决方案

1次阅读

共计 1484 个字符，预计需要花费 4 分钟才能阅读完成。

在使用 CiteSpace 进行文献计量分析时，聚类数量不连续是一个常见的技术痛点。具体表现为聚类结果中出现编号不连续或某些聚类编号缺失的情况。这种现象不仅影响可视化效果，还会导致后续分析的偏差，降低结果的可信度。

算法层面原因 ：CiteSpace 默认使用的聚类算法（如 Louvain）可能因为模块度优化导致某些节点无法被归入主要聚类。
参数设置问题 ：聚类阈值设置过高或过低都会影响聚类结果。
数据预处理不足 ：原始数据中的噪声或异常值未被有效处理。
网络结构特性 ：某些领域的文献引用网络可能天然存在不连续的社区结构。

聚类算法选择 ：
尝试使用 Walktrap 算法替代默认算法
调整分辨率参数（通常 0.8-1.2 效果较好）
阈值设置优化 ：
文献共现频次阈值建议设置在 3 - 5 之间
时间切片间隔建议 1 - 2 年
后处理调整 ：
合并过小聚类（节点数 <3）
重新编号聚类结果

使用文献标题和摘要的 TF-IDF 加权
应用 LDA 主题模型进行预聚类
移除低频词（出现次数 <5）

import networkx as nx
from sklearn.feature_extraction.text import TfidfVectorizer
from community import community_louvain

# 预处理文本数据
def preprocess_texts(texts):
    vectorizer = TfidfVectorizer(min_df=5, stop_words='english')
    tfidf_matrix = vectorizer.fit_transform(texts)
    return tfidf_matrix

# 构建共现网络
def build_cooccurrence_network(tfidf_matrix, threshold=0.3):
    cooc = (tfidf_matrix.T * tfidf_matrix).todense()
    np.fill_diagonal(cooc, 0)
    G = nx.from_numpy_matrix(cooc > threshold)
    return G

# 优化聚类
def optimize_clustering(G):
    partition = community_louvain.best_partition(G, resolution=1.0)

    # 重新编号聚类结果
    cluster_ids = set(partition.values())
    id_mapping = {old_id:new_id for new_id, old_id in enumerate(cluster_ids)}
    for node in partition:
        partition[node] = id_mapping[partition[node]]

    return partition