CiteSpace关键词聚类图实战指南：从数据预处理到可视化分析
对于刚开始接触文献计量分析的研究者来说，CiteSpace 是一个功能强大但又略显复杂的工具。很多新手在满怀期待地安装好软件后，却常常在第一步——数据准备上就卡住了。最常见的问题莫过于从 Web of Science 导出的数据格式与 CiteSpace 的要求不匹配，导致软件无法正确识别文献记录。此外，面对软件里众多的参数选项，如 “Time Slicing”、“Term Source”、“Selection Criteria” 等，新手往往感到无所适从，不知道如何设置才能得到有意义的结果。最后，即使生成了图谱，面对密密麻麻的节点和连线，如何解读其中的聚类结构、中心性指标，又成了一个新难题。这些痛点让许多研究者望而却步，无法有效利用这一工具挖掘文献中的深层知识结构。
在开始之前，我们不妨先简单了解一下 CiteSpace 与其他常见可视化工具（如 VOSviewer）的区别。VOSviewer 以其简单易用、图形美观著称，特别适合进行静态的、基于共现关系的网络构建和可视化，对于快速呈现研究领域的概貌非常友好。而 CiteSpace 的核心优势在于其动态的、基于时间序列的分析能力，它能够揭示研究主题的演变、探测研究前沿的突现，并且提供了丰富的网络测度指标（如中心性、模块度）用于分析。因此，如果你的研究问题关注“领域如何随时间发展”、“前沿在哪里”，CiteSpace 是更合适的选择。下图展示了一个典型的 CiteSpace 分析流程概览：
1. 数据预处理：从原始数据到 CiteSpace 可识别的格式
数据是分析的基石。CiteSpace 对 Web of Science 的纯文本格式数据有特定要求。我们通常需要将导出的.txt文件进行清洗和格式化。以下是一个使用 Python 的pandas库进行数据预处理的示例，重点处理了去重和字段标准化。
import pandas as pd import logging import re # 配置日志记录，方便追踪处理过程 logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s') def preprocess_wos_data(input_file, output_file): """ 清洗和预处理 Web of Science 导出的数据。 """ try: # Web of Science 数据通常用制表符分隔，且包含多行头信息 # 需要先找到数据开始的行，这里假设‘PT’字段是数据开始的标志 with open(input_file, 'r', encoding='utf-8') as f: lines = f.readlines() data_start_line = 0 for i, line in enumerate(lines): if line.startswith('PT'): data_start_line = i break # 读取数据，指定分隔符为制表符，跳过前面的说明行 df = pd.read_csv(input_file, sep='\t', encoding='utf-8', skiprows=data_start_line, lineterminator='\n') logging.info(f"原始数据读取成功，共 {len(df)} 条记录。") # 1. 基于 DOI 进行去重（假设 DOI 是唯一标识符） if 'DI' in df.columns: initial_count = len(df) df.drop_duplicates(subset=['DI'], keep='first', inplace=True) logging.info(f"基于DOI去重，移除 {initial_count - len(df)} 条重复记录。") else: logging.warning("数据中未找到 'DI' (DOI) 列，跳过基于DOI的去重步骤。") # 2. 作者字段标准化：将‘AU’列中的作者名由‘姓，名缩写’格式统一处理 if 'AU' in df.columns: # 示例：将“SMITH, JA” 或 “Smith, J. A.” 规范化为全大写，去掉多余空格和点 def standardize_author(authors_str): if pd.isna(authors_str): return authors_str # 按分号分割多个作者 authors = authors_str.split(';') standardized = [] for author in authors: author = author.strip().upper() # 移除名中的点，并压缩多余空格 author = re.sub(r'\.', '', author) author = re.sub(r'\s+', ' ', author) standardized.append(author) return '; '.join(standardized) df['AU'] = df['AU'].apply(standardize_author) logging.info("作者字段标准化完成。") # 3. 确保关键字段存在，CiteSpace 需要 ‘TI’ (标题), ‘AB’ (摘要), ‘DE’ (作者关键词), ‘ID’ (扩展关键词)等 required_columns = ['TI', 'AB', 'DE', 'ID', 'PY'] for col in required_columns: if col not in df.columns: logging.warning(f"警告：未找到必需列 '{col}'，这可能会影响后续分析。") # 4. 保存为 CiteSpace 可读取的纯文本格式（制表符分隔） df.to_csv(output_file, sep='\t', index=False, encoding='utf-8') logging.info(f"数据预处理完成，已保存至 {output_file}，有效记录 {len(df)} 条。") except FileNotFoundError: logging.error(f"输入文件 {input_file} 未找到。") except pd.errors.ParserError as e: logging.error(f"解析文件时出错: {e}") except Exception as e: logging.error(f"处理过程中发生未知错误: {e}") # 使用示例 if __name__ == '__main__': preprocess_wos_data('savedrecs.txt', 'cleaned_data.txt')这段代码完成了几个关键步骤：读取原始数据、基于 DOI 去重、标准化作者格式，并检查了必要字段的存在性。处理后的cleaned_data.txt文件就可以直接导入 CiteSpace 了。
2. CiteSpace 核心参数设置详解
将清洗好的数据导入 CiteSpace 后，我们需要在 “New” 项目中配置参数。以下是几个关键参数的设置逻辑：
Time Slicing（时间切片）：这个参数决定了如何将整个时间跨度划分为多个时间段进行分析。例如，如果你的文献时间范围是 2010-2023 年，设置 “Years Per Slice” 为 2，就会生成 2010-2011, 2012-2013, ..., 2022-2023 共 7 个时间片。每个时间片内会独立构建网络，最后叠加在一起形成时区视图或时间线视图。对于发展较快、文献量大的领域，切片可以设短一些（如1年）；对于发展平稳或文献较少的领域，切片可以设长一些（如2-3年），以保证每个时间段内有足够的节点形成网络。
Term Source（术语来源）：这里选择从文献的哪些部分提取节点标签。通常勾选 “Title”, “Abstract”, “Author Keywords (DE)”, “Keywords Plus (ID)”。对于关键词聚类分析，“DE”和“ID”是最核心的来源。如果只关注作者给出的关键词，可以只选“DE”；“Keywords Plus”是数据库根据参考文献自动添加的，能提供更丰富的关联。
Selection Criteria（节点选择标准）：这决定了哪些术语能成为网络中的节点。最常用的是 “Top N per slice”，即在每个时间切片内选择出现频次最高的前 N 个术语。N 值通常设为 50 或 100，需要根据文献总量调整，目标是让网络既不过于稀疏也不过于稠密。另一个有用的标准是 “Threshold Interpolation（阈值插值）”，它可以设定一个频次增长阈值，动态选择节点。
Pruning（剪枝）：为了简化网络、突出主干结构，可以使用 Pathfinder 或 Minimum Spanning Tree 算法进行网络剪枝。对于初步探索，可以尝试 “Pathfinder” + “Pruning sliced networks”，它能移除网络中不重要的连接，使聚类结构更清晰。
3. 生成与优化关键词聚类图
参数设置好后，点击 “Go!” 开始分析。生成网络后，在可视化界面进行聚类操作（Cluster -> Find Clusters，通常使用默认的 LLR 算法）。此时需要关注两个评估聚类质量的指标：
模块度（Modularity，Q值）：衡量网络社区结构（即聚类）的强度。Q值范围在0到1之间，通常 Q > 0.3 就认为网络具有显著的社区结构。如果 Q 值过低，说明网络没有清晰的聚类。可以通过调整 “Selection Criteria” 中的 N 值或 “Pruning” 强度来优化。增大 N 值或减弱剪枝可能引入更多连接，有时能提升模块度。
平均轮廓值（Mean Silhouette，S值）：衡量聚类内部的一致性和分离度。S值越接近1，说明聚类内节点越相似，聚类间差异越大。一个理想的聚类结果通常同时具有较高的 Q 值和 S 值。
可视化优化方面，一个常见问题是节点和标签重叠，导致难以辨认。可以尝试以下技巧：
- 在 “Layout” 菜单下，使用 “Adjust Nodes for Label Readability” 功能，软件会自动微调节点位置以避免标签遮挡。
- 手动调整：在 “Modify” 模式下，可以选中特定节点或聚类，拖动到合适位置。
- 简化显示：在 “Cluster” 菜单下选择 “Show Network with Cluster Labels”，可以只显示每个聚类的代表性标签，使视图更清爽。
- 导出高分辨率图片：在 “File” -> “Export” -> “Network” 中，可以导出 SVG 或高DPI的 PNG 格式图片，方便在矢量编辑软件（如 Adobe Illustrator）中进行后期排版和美化。
4. 新手常见错误与避坑指南
错误：时间切片设置不当，导致网络断裂或过于稠密。
- 现象：生成的网络图要么只有零星几个节点，要么所有节点挤成一团，看不出结构。
- 解决方案：回顾“Time Slicing”和“Selection Criteria”的设置。如果文献总量少（如少于500篇），建议将“Years Per Slice”设大，甚至可以不切片（设为整个时间跨度），并降低“Top N”的值（如30）。如果文献量大，但网络过于稠密，则尝试提高“Top N”的阈值或使用更强的“Pruning”方法。
错误：聚类结果杂乱，标签无意义。
- 现象：聚类标签是“study”、“model”、“system”等非常泛泛的词汇，无法区分研究主题。
- 解决方案：检查“Term Source”是否只勾选了“Title”和“Abstract”？这两部分包含大量通用词汇。应确保勾选了“Author Keywords (DE)”和“Keywords Plus (ID)”，它们更能代表研究主题。此外，可以在“Text Processing”中启用“Burst Detection”或使用“Noun Phrases”来提取更有意义的术语。
错误：导入数据后，CiteSpace 提示大量记录丢失（Discarded）。
- 现象：软件日志显示只有很少一部分记录被成功分析。
- 解决方案：这通常是由于数据格式问题。首先，确保你从 Web of Science 导出时选择了“纯文本”格式和“全记录与引用的参考文献”。其次，用我们提供的 Python 脚本或文本编辑器检查数据文件，确保每条记录以“PT J”（或 PT 后跟其他文献类型）开始，且字段标签（如 TI, AB, PY）正确无误。字段内容中的换行符有时会导致解析错误，需要确保格式规整。
5. 延伸思考：从静态聚类到动态前沿探测
生成一份清晰的关键词聚类图，只是文献计量分析的第一步。CiteSpace 更强大的功能在于其动态分析能力。在得到稳定的聚类后，我们可以进一步利用“Burst Detection”功能来探测突现词（Burst Terms）。
突现词是指在某个时间段内，其出现频率突然显著增长的关键词或术语，它们往往是新兴研究趋势或前沿热点的信号。操作方法是：在控制面板选择“Burstness”标签，选择要分析的术语类型（如Keywords），然后运行检测。软件会生成一个突现词列表及其突现强度和持续时间。
结合聚类图与突现词分析，我们可以进行更深入的解读：例如，某个聚类代表了“机器学习在医疗诊断中的应用”，而这个聚类中的“深度学习”和“卷积神经网络”在最近三年被检测为强突现词。那么，我们就可以推断，“基于深度学习的医疗影像诊断”是该领域当前的一个研究前沿。通过观察不同聚类中突现词的演变，我们能够绘制出一幅研究领域动态发展的知识图谱，不仅知道领域有哪些结构，还能知道这些结构正在如何变化、向何处发展。
通过以上从数据准备、参数理解、可视化优化到进阶分析的全流程梳理，相信科研新手能够更有信心地驾驭 CiteSpace，将其转化为探索学术领域、发现研究脉络的得力工具。实践过程中，多尝试不同的参数组合，并紧密结合自身的研究问题对结果进行解读，才能让数据真正“说话”，揭示出隐藏在海量文献背后的知识规律。