CiteSpace聚类数量控制实战：从算法原理到参数调优

1次阅读

没有评论

共计 2142 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，聚类数量控制直接影响知识图谱的可解释性。常见问题表现为两种极端：

过度聚类：生成大量微小主题群（如 50+ 个聚类），导致主题碎片化，每个聚类仅包含 3 - 5 篇文献，难以提炼宏观研究趋势
欠聚类：形成少量粗粒度群组（如 5 -10 个聚类），造成信息冗余，不同学科文献被强制合并，掩盖领域特异性

CiteSpace 默认采用对数似然比算法（Log-Likelihood Ratio, LLR），其核心优势在于：

主题显著性检测：通过假设检验识别具有统计显著性的词共现模式
低频词处理：相比 TF-IDF，更擅长捕捉小众但具有领域特征的关键词

替代方案的适用场景：

TF-IDF：适合需要强调词频权重的短文本分析（如社交媒体数据）
LDA：当需要建模主题概率分布时（如期刊主题演化分析）

模块度 Q 值衡量网络社区结构的强度，取值区间[-0.5,1]，通常 Q >0.3 认为具有显著聚类结构：

import networkx as nx
import pandas as pd

# 构建共现网络
co_occurrence = pd.read_csv('co_occurrence_matrix.csv', index_col=0)
G = nx.from_pandas_adjacency(co_occurrence)

# 计算模块度
def calculate_modularity(partition):
    """partition: dict {node_id: cluster_label}"""
    return nx.algorithms.community.modularity(G, 
                                   [{n for n, c in partition.items() if c == cl} 
                                    for cl in set(partition.values())])

轮廓系数评估聚类内聚性与分离度，越接近 1 表示聚类效果越好：

import matplotlib.pyplot as plt
from sklearn.metrics import silhouette_samples

# 计算轮廓系数
silhouette_vals = silhouette_samples(X=feature_matrix, 
                                   labels=cluster_labels)

# 可视化
plt.figure(figsize=(10,6))
y_lower = 10
for i in range(n_clusters):
    ith_cluster_silhouette = silhouette_vals[cluster_labels == i]
    ith_cluster_silhouette.sort()

    y_upper = y_lower + ith_cluster_silhouette.shape[0]
    plt.fill_betweenx(np.arange(y_lower, y_upper),
                     0, ith_cluster_silhouette,
                     alpha=0.7)
    plt.text(-0.05, y_lower + 0.5 * len(ith_cluster_silhouette), str(i))
    y_lower = y_upper + 10

plt.axvline(x=np.mean(silhouette_vals), color="red", linestyle="--")
plt.title(f"Silhouette Plot (Avg Score: {np.mean(silhouette_vals):.2f})")

学科领域	建议模块度 Q 阈值	典型聚类数量
生物医学	0.4-0.6	15-30
社会科学	0.3-0.5	8-15
工程科学	0.35-0.55	10-20

高频干扰词处理示例：

custom_stopwords = {'medicine': ['patient', 'treatment', 'study'],
    'social_science': ['theory', 'model', 'analysis'],
    'computer_science': ['algorithm', 'system', 'based']
}