CiteSpace关键词聚类分析实战：从数据预处理到可视化解读
关键词聚类分析是科学知识图谱构建的核心环节，它能够揭示特定研究领域内隐含的知识结构。通过将共现关系紧密的关键词自动归类，研究者可以直观地识别出该领域的主要研究主题与子领域。这种分析方法为理解学科发展脉络、探测研究前沿提供了量化的可视化工具。
数据准备与预处理进行关键词聚类分析的第一步是获取标准格式的文献数据。CiteSpace主要支持来自Web of Science (WoS) 和 中国知网 (CNKI) 的导出数据。数据质量直接决定后续分析结果的可靠性。
- WoS数据导出：在WoS平台完成检索后，导出记录时建议选择“纯文本”或“制表符分隔”格式。必选字段包括：
AU(作者)、TI(标题)、SO(来源出版物)、PY(出版年)、DE(作者关键词)、ID(Keywords Plus)、AB(摘要)。导出记录数量建议在500至5000条之间，以保证网络密度适中。 - CNKI数据导出：在CNKI中使用“Refworks”格式导出文献。必选字段需包含：
标题、作者、来源、发表时间、关键词、摘要。需特别注意，CNKI导出的文本文件可能存在字符编码问题（如GBK编码），在CiteSpace导入前需使用文本编辑器（如Notepad++）将其转换为UTF-8编码，否则会出现乱码。 - 数据清洗：将数据导入CiteSpace后，需在“Project”界面进行初步清洗。合并同义词（如“COVID-19”和“SARS-CoV-2”），并利用“Remove”功能过滤高频但无意义的通用词，例如“study”、“review”、“analysis”、“基于”、“研究”等，这些词会干扰聚类的主题聚焦性。
- WoS数据导出：在WoS平台完成检索后，导出记录时建议选择“纯文本”或“制表符分隔”格式。必选字段包括：
网络构建与修剪参数配置数据导入后，进入网络构建与修剪阶段，这是影响聚类形态的关键步骤。
- 网络构建：在“New”功能界面，
Node Types应选择Keyword。Years Per Slice（时间切片）的设置需根据研究周期和数据量决定，通常2-3年为一个切片能较好平衡时序分辨率与网络稳定性。对于突现词检测，更细的时间切片（如1年）有助于捕捉研究热点的快速演变。 - Pathfinder网络修剪：CiteSpace默认提供
Pathfinder、Pruning sliced networks和Pruning the merged network等修剪算法。Pathfinder算法基于三角不等式原理，保留网络中最重要的连接，能有效简化网络结构，突出核心关系。其阈值设置（如r和q参数）通常保持默认即可，过度的修剪可能导致网络断裂，信息丢失。 - 聚类算法执行：构建关键词共现网络后，点击“Cluster”按钮，CiteSpace会调用聚类算法（默认为
LLR算法）对网络进行划分。聚类数量由算法自动确定，其质量需要通过后续指标进行评估。
- 网络构建：在“New”功能界面，
聚类质量评估与标签提取聚类完成后，需要对结果进行科学评估，并为每个聚类赋予有意义的标签。
- 模块度与轮廓值评估：聚类质量的量化评估主要依赖两个指标：模块值 (
Modularity Q) 和平均轮廓值 (Mean Silhouette S)。Q值衡量网络被划分为不同模块的强度，Q > 0.3通常认为聚类结构是显著的。S值衡量聚类内部同质性与聚类间异质性，S > 0.5表明聚类结果是合理的，S > 0.7则表明聚类具有高度信度。这两个数值会在聚类视图上方显示，是判断分析有效性的首要依据。 - 标签提取算法：CiteSpace提供多种算法为聚类提取标签，最常用的是
Log-likelihood Ratio (LLR)算法。该算法通过计算对数似然比，从聚类内部的关键词中找出最能代表该聚类主题的特征词作为标签。与TF*IDF等算法相比，LLR在区分专业主题方面通常表现更佳。解读时，应结合标签词和聚类内的核心关键词共同理解该研究主题的内涵。
- 模块度与轮廓值评估：聚类质量的量化评估主要依赖两个指标：模块值 (
可视化解读与案例分析理解可视化图谱的编码逻辑是解读结果的基础。我们以一个假设的COVID-19研究关键词聚类图谱为例进行解读。
- 编码逻辑：在聚类视图中，每个圆圈代表一个关键词节点，其大小与该关键词的出现频次（或中心性）成正比。节点之间的连线表示共现关系，连线粗细与共现强度相关。不同的颜色通常代表不同的聚类，即被划分到同一子主题的关键词会呈现相同颜色。聚类标签会显示在视图周围或内部。
- 图谱解读案例：假设我们得到一幅关于COVID-19研究的聚类图谱，其
Q=0.432，S=0.681，表明聚类质量良好。图谱中可能呈现以下几个主要聚类（颜色不同）：- 聚类#0 (LLR标签: “epidemiological characteristics”)：该聚类包含“incidence”、“transmission”、“reproduction number”等关键词，聚焦于病毒传播动力学与流行病学特征研究。
- 聚类#1 (LLR标签: “vaccine development”)：该聚类包含“mRNA vaccine”、“neutralizing antibody”、“clinical trial”等关键词，代表了疫苗研发与免疫应答主题。
- 聚类#2 (LLR标签: “mental health impact”)：该聚类包含“anxiety”、“depression”、“quarantine”、“telehealth”等关键词，揭示了疫情对心理健康的影响及干预措施。
- 关键节点识别：图中可能出现连接多个聚类的大型节点，如“public health”，这类高中心性节点通常是连接不同研究主题的枢纽概念。
- 突现词检测：在“Burstness”功能中，通过设置合理的时间切片，可以检测出在特定时间段内频次急剧上升的突现词。例如，在2020-2021年间，“omicron variant”和“booster dose”可能成为突现词，直观标示出研究热点的转移。
常见问题与避坑指南新手在实践中常遇到以下问题，提前规避可提升分析效率与结果可信度。
- 字符编码问题：如前所述，处理CNKI等中文数据库数据时，务必确认文本编码为UTF-8，这是避免乱码和导入失败的关键。
- 无意义词过滤：除了通用词，还需过滤与领域无关的高频词。例如，在医学领域，“patient”、“case”可能频次很高但信息量低，可根据具体分析目标决定是否保留。建议在初步聚类后，审视聚类标签和内容，反复迭代清洗词表。
- 时间分区失真：若文献数据的时间分布极不均匀（如大部分文献集中在最近两年），设置均匀时间切片可能导致早期网络过于稀疏。此时可考虑使用“Citation Burst”或调整切片策略，例如对早期年份合并切片，对近期年份细分切片，以更真实地反映知识演进过程。
- 聚类结果验证：单一的聚类结果可能存在偶然性。可以通过调整
Pathfinder修剪阈值、更换聚类算法（如K-core）或使用不同的标签提取算法，观察聚类结构和标签的稳定性，以此验证结果的鲁棒性。
通过以上步骤，研究者可以系统性地完成从数据到洞察的CiteSpace关键词聚类分析。整个过程强调数据质量、参数理解与结果的多维度校验。最终的科学知识图谱不仅是研究主题的静态快照，更是动态理解学科结构、发现知识关联的有力工具。
基于此次分析实践，可以进一步思考以下问题以深化理解：第一，如何结合时序分析功能，动态展示各聚类主题的演进与兴衰？第二，除了LLR算法，如何利用Latent Semantic Indexing (LSI)或Mutual Information (MI)算法提取标签，并比较其揭示主题的差异性？第三，如何将关键词聚类网络与作者合作网络、机构合作网络进行叠加分析，以构建更立体的领域知识生态图景？