CiteSpace聚类数调整实战：从算法原理到参数优化

1次阅读

共计 2610 个字符，预计需要花费 7 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：当分析跨学科文献时，生成的聚类结果常常出现 主题混杂，比如把计算机科学和医学的文献混在一起。这主要是因为 CiteSpace 默认使用的 Louvain 算法虽然效率高，但在处理异质性强的文献时可能不够理想。

更让人头疼的是，CiteSpace 没有提供直接调整聚类数的选项，导致研究者只能被动接受算法给出的结果。这就像开盲盒，你永远不知道下一次运行会得到什么样的聚类。

Louvain 算法的核心是优化 模块度，公式如下：

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

其中：
– (A_{ij} ) 表示节点 i 和 j 之间的连接强度
– (k_i) 和 (k_j) 分别是节点 i 和 j 的度
– (m) 是网络中所有连接的总强度
– (\delta(c_i, c_j) ) 是指示函数，当 i 和 j 属于同一聚类时为 1，否则为 0

Louvain 优点：
不需要预先指定聚类数
适合处理大规模网络数据
计算效率高
Louvain 缺点：
结果可能不稳定（每次运行可能不同）
对小型聚类不敏感
K-means 优点：
结果可重复
对小数据集效果较好
K-means 缺点：
需要预先指定聚类数
对初始中心点敏感

import networkx as nx
import numpy as np
from sklearn.metrics import jaccard_score

def calculate_modularity(G, communities):
    """
    计算网络的模块度
    :param G: NetworkX 图对象
    :param communities: 社区分配列表
    :return: 模块度值
    """m = G.size(weight='weight')
    if m == 0:
        return 0

    degrees = dict(G.degree(weight='weight'))
    Q = 0

    for node_i in G.nodes():
        for node_j in G.nodes():
            if communities[node_i] == communities[node_j]:
                A_ij = G.get_edge_data(node_i, node_j, {}).get('weight', 0)
                Q += (A_ij - degrees[node_i]*degrees[node_j]/(2*m))

    return Q/(2*m)

# Jaccard 距离计算（用于相似性度量）def jaccard_distance(set1, set2):
    """计算两个集合之间的 Jaccard 距离"""
    intersection = len(set1.intersection(set2))
    union = len(set1.union(set2))
    return 1 - (intersection / union) if union != 0 else 1

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

# 假设我们有一组不同的聚类数尝试
cluster_nums = range(2, 15)
silhouette_scores = []
modularity_scores = []

for n in cluster_nums:
    # 这里应该是你的聚类算法（比如 K -means）# labels = your_clustering_algorithm(n_clusters=n)

    # 计算轮廓系数（需要特征矩阵和标签）# silhouette_scores.append(silhouette_score(feature_matrix, labels))

    # 计算模块度（需要图和社区分配）# modularity_scores.append(calculate_modularity(G, labels))
    pass  # 实际使用时去掉这行

# 绘制评估曲线
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.plot(cluster_nums, silhouette_scores, 'bo-')
plt.xlabel('Number of clusters')
plt.ylabel('Silhouette Score')
plt.title('Silhouette Score Evaluation')

plt.subplot(1, 2, 2)
plt.plot(cluster_nums, modularity_scores, 'ro-')
plt.xlabel('Number of clusters')
plt.ylabel('Modularity Score')
plt.title('Modularity Evaluation')

plt.tight_layout()
plt.show()

根据文献规模，推荐的聚类数范围如下：