CiteSpace聚类优化实战：如何减少聚类数量并提升分析效率

1次阅读

共计 1636 个字符，预计需要花费 5 分钟才能阅读完成。

作为一名经常使用 CiteSpace 进行科学知识图谱分析的研究者，我经常遇到一个问题：默认的聚类数量太多，导致生成的知识图谱难以解读，分析效率低下。经过多次实践和调整，我总结了一些有效的优化方法，今天就来分享一下如何减少聚类数量，同时保证分析质量。

CiteSpace 作为一款强大的科学知识图谱工具，默认参数下生成的聚类数量往往较多。虽然这能覆盖更多的细节，但对于研究者来说，过多的聚类会导致：

图谱过于复杂，难以直观理解
聚类之间的边界模糊，难以区分
分析时间增加，效率降低

因此，减少聚类数量并提升图谱的可读性，是许多研究者共同的需求。

在 CiteSpace 中，网络剪裁是影响聚类数量的关键步骤。常见的剪裁方法包括：

Pathfinder 网络：保留重要连接，去除冗余边，适合生成简洁的网络
Pruning 剪裁：基于权重阈值剪裁，适用于稀疏网络
最小生成树（MST）：保留最简连接结构，聚类数量最少但可能丢失信息

通过对比实验，我发现 Pathfinder 在平衡聚类数量和网络完整性方面表现较好，适合大多数场景。

Node Labels 选择策略：选择更具代表性的节点标签（如高频词或高中心性词）可以减少冗余聚类。
Silhouette 阈值调整：适当提高 Silhouette 阈值（如从 0.5 调整到 0.7）可以过滤掉低质量的聚类。

LLR 算法参数调优：调整 log-likelihood 阈值（如从 0.1 提高到 0.3）可以减少聚类数量，同时保留重要主题。
预处理策略：通过高频词过滤与合并，减少节点数量，从而间接减少聚类数量。

以下是一段 Python 预处理代码，用于高频词过滤与合并：

import pandas as pd
import jieba

# 读取数据
data = pd.read_csv('input.csv')

# 分词处理
def tokenize(text):
    return ' '.join(jieba.cut(text))

data['tokens'] = data['abstract'].apply(tokenize)

# 高频词过滤
from collections import Counter
word_counts = Counter(''.join(data['tokens']).split())
high_freq_words = [word for word, count in word_counts.items() if count >= 10]

# 合并近义词
synonyms = {'机器学习': 'ML', '人工智能': 'AI'}
data['tokens'] = data['tokens'].apply(lambda x: ' '.join([synonyms.get(word, word) for word in x.split()]))

# 保存预处理结果
data.to_csv('processed.csv', index=False)