CiteSpace聚类数量优化指南：从基础原理到实战调参

1次阅读

没有评论

共计 1594 个字符，预计需要花费 4 分钟才能阅读完成。

CiteSpace 作为文献计量分析的重要工具，其聚类功能（Clustering Analysis）能帮助研究者快速识别学科前沿热点。通过算法自动将相似文献归类，形成可视化知识图谱，广泛应用于：

学科发展脉络梳理
新兴研究趋势探测
核心作者 / 机构合作网络分析

新手使用时普遍存在两大问题：

参数盲从：直接使用默认聚类数量（Default Cluster Number），导致重要主题被合并或无关内容强行分组
主观偏差：仅通过人工观察网络图节点分布决定聚类数，缺乏量化依据

CiteSpace 主要采用两种算法：

LLR 算法（Log-Likelihood Ratio）：计算文献关键词的似然比，适合识别特定领域术语
模块度 Modularity：评估网络社区划分质量的指标（值域 0 -1，越高说明聚类效果越好）

科学确定聚类数的标准流程：

数据预处理

import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer

# 示例：加载文献标题和摘要
data = pd.read_csv('papers.csv')
vectorizer = TfidfVectorizer(stop_words='english')
X = vectorizer.fit_transform(data['abstract'])

轮廓系数计算

from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score
import matplotlib.pyplot as plt

silhouette_scores = []
K_range = range(2, 15)

for k in K_range:
    kmeans = KMeans(n_clusters=k, random_state=42)
    preds = kmeans.fit_predict(X)
    score = silhouette_score(X, preds)
    silhouette_scores.append(score)

plt.plot(K_range, silhouette_scores, 'bo-')
plt.xlabel('Number of Clusters')
plt.ylabel('Silhouette Score')
plt.title('Optimal Cluster Number Detection')
plt.show()

结果解读：选择轮廓系数最高点对应的聚类数

小样本过拟合 ：文献量 <100 时建议聚类数不超过 5 个，可通过设置min_docs_per_cluster 参数过滤微小类
噪声干扰 ：预处理时使用max_df=0.8 排除高频无意义词（如 ”study”、”research”）
参数固化：不同学科领域应重新计算最优值，不可直接套用其他研究的参数

结合 TF-IDF 加权改进特征表示：

# 增加 n -gram 特征
tfidf = TfidfVectorizer(ngram_range=(1,2),
    max_features=500,
    stop_words='english'
)

# 使用稀疏矩阵提升计算效率
from scipy.sparse import csr_matrix
X_sparse = csr_matrix(X)

给定数据集（含 200 篇 AI 领域论文摘要）：