CiteSpace聚类数量调整：从算法原理到实践优化

1次阅读

没有评论

共计 2148 个字符，预计需要花费 6 分钟才能阅读完成。

很多使用 CiteSpace 的研究者都遇到过这样的困扰：同样的数据集，稍微调整几个参数，得到的聚类结果就大相径庭。最常见的问题包括：

过度聚类(over-clustering)：算法将本应属于同一主题的文献分到过多小类中，导致分析结果碎片化
欠聚类(under-clustering)：重要研究主题被合并，无法识别细分领域
参数敏感性：LLR 算法的参数调整直接影响聚类数量，但缺乏客观评估标准

更麻烦的是，CiteSpace 默认提供的聚类数量可能并不适合特定研究问题，需要根据数据特性手动优化。

CiteSpace 主要采用两种算法评估聚类质量：

LLR 算法(Log-Likelihood Ratio)：用于确定每个聚类的最佳标签
计算公式：$LLR = 2 \sum_{i} O_i \ln(\frac{O_i}{E_i})$
其中 $O_i$ 是观察值，$E_i$ 是期望值
模块度(Modularity)：评估整体聚类质量
计算公式：$Q = \frac{1}{2m} \sum_{ij} [A_{ij} – \frac{k_i k_j}{2m}] \delta(c_i,c_j)$
其中 $A_{ij}$ 是节点连接权重，$k_i$ 是节点度，$m$ 是总边数，$\delta$ 判断是否同簇

这两个指标共同决定了 CiteSpace 中的聚类数量和结构。理解它们的工作原理，是优化聚类结果的基础。

轮廓系数评估每个样本与自身聚类和其他聚类的距离关系，取值在 [-1,1] 之间。越接近 1 表示聚类效果越好。

from sklearn.metrics import silhouette_score
import numpy as np

# 假设 X 是特征矩阵，labels 是聚类结果
score = silhouette_score(X, labels, metric='euclidean')
print(f"当前轮廓系数：{score:.3f}")

# 寻找最优聚类数量
range_n_clusters = range(5, 15)
scores = []

for n_clusters in range_n_clusters:
    clusterer = KMeans(n_clusters=n_clusters)
    preds = clusterer.fit_predict(X)
    scores.append(silhouette_score(X, preds))

optimal_num = range_n_clusters[np.argmax(scores)]
print(f"建议聚类数量：{optimal_num}")

通过绘制模块度随聚类数量变化的曲线，可以直观找到拐点：

import matplotlib.pyplot as plt

# 计算不同聚类数下的模块度
modularity_scores = [calculate_modularity(n) for n in range(5,20)]  # 伪函数

plt.figure(figsize=(10,6))
plt.plot(range(5,20), modularity_scores, marker='o')
plt.xlabel('Number of Clusters')
plt.ylabel('Modularity Score')
plt.title('Elbow Method for Optimal Cluster Number')
plt.grid(True)
plt.show()

忽略时序维度：在分析演进趋势时，未分时段计算聚类，导致历史变化被平均化
解决方法：使用 CiteSpace 的 Time Slicing 功能分段分析
错误处理离群点：直接删除高被引文献会导致网络结构失真
正确做法：保留关键节点但调整可视化显示方式
参数固化：全程使用同一 resolution 参数
建议：不同时间段可能需要不同的参数设置

评估不同参数下聚类结果的稳定性：

from sklearn.metrics import jaccard_score

# 比较两种参数设置的聚类结果
set1 = [0,0,1,1,2,2]  # 参数组合 A 的结果
set2 = [1,1,0,0,2,2]  # 参数组合 B 的结果

# 注意需要调整 label 顺序的影响
score = jaccard_score(set1, set2, average='weighted')
print(f"Jaccard 相似度：{score:.3f}")

本文介绍的方法同样适用于 VOSviewer 等文献计量工具。例如：