CiteSpace聚类数调整实战：从算法原理到参数优化

1次阅读

共计 1834 个字符，预计需要花费 5 分钟才能阅读完成。

很多使用 CiteSpace 的研究者都遇到过这样的问题：默认的聚类结果要么太笼统（比如把所有 ” 机器学习 ” 相关论文混成一个簇），要么太碎片化（比如把同一个研究方向的论文拆分成多个小簇）。尤其是在处理跨学科文献时，这种 主题混杂 现象更为明显。

问题的根源在于 CiteSpace 默认使用的 Louvain 算法虽然高效，但其 模块度优化 过程对初始参数敏感。举个例子，当分析一个包含计算机科学和生物医学的混合文献库时，算法可能会因为学科术语差异而生成不合理的聚类边界。

模块度（Modularity）是评估聚类质量的核心指标，数学定义为：

$$ Q = \frac{1}{2m} \sum_{i,j} \left[A_{ij} – \frac{k_i k_j}{2m} \right] \delta(c_i,c_j) $$

其中：
– $A_{ij}$ 表示节点 i 和 j 之间的连接强度
– $k_i$ 是节点 i 的度数
– $m$ 是网络中所有边的总权重
– $\delta$ 函数在节点属于同一簇时值为 1，否则为 0

与 K -means 相比，Louvain 算法有两个显著优势：

不需要预先指定簇数量
能处理非欧几里得距离关系（如文献间的引用网络）

但这也带来了新的挑战——我们如何确定最终获得的聚类数是否合理？

下面这段代码演示如何用 NetworkX 计算不同聚类数下的轮廓系数（完整代码需安装networkx,sklearn,matplotlib）：

import networkx as nx
from sklearn.metrics import silhouette_score
import matplotlib.pyplot as plt

def evaluate_clusters(G, max_k=10):
    """评估不同聚类数下的轮廓系数"""
    scores = []
    for k in range(2, max_k+1):
        # 使用 Louvain 算法聚类（需安装 python-louvain）partition = nx.algorithms.community.louvain_communities(G, resolution=k/10)

        # 构建距离矩阵（使用 Jaccard 距离）jaccard_dist = nx.jaccard_coefficient(G)
        distance_matrix = build_distance_matrix(G, jaccard_dist)

        # 计算轮廓系数
        labels = assign_labels(G.nodes(), partition)
        scores.append(silhouette_score(distance_matrix, labels, metric='precomputed'))

    # 绘制评估曲线
    plt.plot(range(2, max_k+1), scores, 'bo-')
    plt.xlabel('Number of clusters')
    plt.ylabel('Silhouette Score')
    plt.show()

关键点说明：