CiteSpace聚类算法实战指南：从数据预处理到结果解读

1次阅读

共计 1809 个字符，预计需要花费 5 分钟才能阅读完成。

聚类分析在文献计量学中能快速揭示研究领域的内在结构，帮助研究者发现隐藏的知识关联。通过算法自动归类高度相关的文献，可以替代传统人工阅读的繁重工作量。最终形成的知识图谱还能直观展示学科演进路径和研究热点分布。

可视化效果：CiteSpace 支持时区视图和突现词检测，适合展示动态演进；VOSviewer 的密度图更适合静态网络展示
算法复杂度：CiteSpace 采用 LLR、MI 等多种算法组合，计算量较大但精度高；VOSviewer 基于模块化优化，运行速度更快
数据要求：CiteSpace 需要完整的引文数据，VOSviewer 可处理简单共现矩阵

对数似然比算法 (Log-Likelihood Ratio, LLR) 通过比较观察频数与期望频数的差异进行聚类，其核心公式为：

LLR = 2 * Σ[O_ij * ln(O_ij/E_ij)]

其中 O_ij 表示实际共现频率，E_ij=n_i*n_j/ N 为期望频率。当：

LLR > 3.84（p<0.05）时认为聚类显著
算法对低频词更敏感，适合处理学术文本的长尾分布

import pandas as pd

def preprocess_wos_data(filepath):
    try:
        # 列名校验
        required_cols = ['TI', 'PY', 'DE', 'ID', 'CR']
        df = pd.read_csv(filepath, encoding='utf-8')

        if not set(required_cols).issubset(df.columns):
            raise ValueError("缺失关键列：" + str(set(required_cols)-set(df.columns)))

        # 清洗关键词列
        df['keywords'] = df['DE'].fillna('') +';'+ df['ID'].fillna('')
        df['keywords'] = df['keywords'].str.lower().str.replace('[^a-z;]', '')

        # 提取被引参考文献
        df['references'] = df['CR'].str.split(';').apply(lambda x: [r.split(',')[0].strip() for r in x if isinstance(x, list)]
        )

        return df[['TI', 'PY', 'keywords', 'references']]

    except Exception as e:
        print(f"预处理失败：{str(e)}")
        return None

关键处理步骤：

合并 DE(作者关键词)和 ID(数据库关键词)字段
统一转为小写并移除特殊字符
从 CR(参考文献)字段提取第一作者姓氏

在 Time Slicing 参数设置时：

基础设置：
Slice Length：通常设为 1 年（对快速发展领域）或 3 - 5 年（成熟领域）
Top N%：保持默认 50 可平衡计算效率与覆盖度
进阶技巧：
对跨学科研究可启用 Pruning 中的 Pathfinder 选项
Node Types选择 Cited Reference 时建议配合 Minimum Citation 过滤

问题现象	解决方法	参数调整建议
节点重叠	启用`Network Layout > Cluster View`	`Attraction = 5, Repulsion = 3`
标签模糊	调整 `Label > Font Size` 和`Threshold`	`Size=12, Threshold=5`
颜色区分度低	修改`Color > Cluster Scheme`	选用 `Category20` 色板