CiteSpace聚类数量调整实战：从算法原理到参数优化

1次阅读

共计 1474 个字符，预计需要花费 4 分钟才能阅读完成。

CiteSpace 默认使用的 LLR（对数似然比）算法在进行聚类分析时，往往依赖研究者主观设定聚类数量。这种策略存在两个主要问题：

信噪比下降 ：盲目增加聚类数会导致微小主题被过度分割，引入大量噪声
缺乏量化标准 ：人工选择 K 值容易受研究者认知偏见影响，难以保证聚类结果的客观性

轮廓系数 (Silhouette Score)
取值范围 [-1,1]，衡量同一聚类内样本的紧密程度与其他聚类的分离程度
适用于评估聚类结构的紧密度
计算公式：$s(i) = \frac{b(i)-a(i)}{max{a(i),b(i)}}$
模块度 (Modularity)
衡量网络社区划分质量的经典指标
特别适合关键词共现网络这类图结构数据
计算公式：$Q = \frac{1}{2m}\sum_{ij}[A_{ij}-\frac{k_ik_j}{2m}]\delta(c_i,c_j)$

# 环境要求：Python 3.8+, pandas 1.3+, sklearn 1.0+
import pandas as pd
from sklearn.metrics import silhouette_score
import networkx as nx

# 读取 CiteSpace 生成的网络矩阵
df = pd.read_csv('co_occurrence_matrix.csv', index_col=0)

# 轮廓系数评估
def evaluate_silhouette(matrix, max_k=10):
    scores = []
    for k in range(2, max_k+1):
        # 此处替换为实际聚类算法
        labels = cluster_algorithm(matrix, k)  
        scores.append(silhouette_score(matrix, labels))
    return scores

# 模块度评估
def evaluate_modularity(G, max_k=10):
    scores = []
    for k in range(2, max_k+1):
        # 此处使用 Louvain 算法示例
        partition = community_louvain.best_partition(G)
        scores.append(nx.algorithms.community.modularity(G, partition))
    return scores

计算不同 K 值下的评估指标
绘制指标变化曲线图
选择拐点对应的 K 值

关键代码注释：

# CiteSpace 6.2.R4+ 数据预处理要求
# 注意矩阵归一化处理防止维度灾难
def normalize_matrix(matrix):
    """
    应用 Tf-idf 加权时需注意：1. 对关键词共现矩阵应先转为二元矩阵
    2. 高频词需要 log 平滑处理
    """
    return (matrix - matrix.min()) / (matrix.max() - matrix.min())