企业官网建设流程全解析

CiteSpace实战：如何高效进行关键词清洗与优化

摘要：本文针对科研人员在文献计量分析中面临的关键词清洗难题，详细解析如何利用CiteSpace工具进行高效关键词清洗。通过实战案例演示关键词去重、标准化和语义合并等操作，帮助读者提升文献分析质量，避免因关键词混乱导致的统计偏差。文章包含完整操作步骤和避坑指南，适合需要进行大规模文献分析的科研工作者。

一、背景痛点：关键词混乱如何“带偏”你的分析结果

做文献计量最崩溃的瞬间，往往不是跑不出图，而是跑出来的图自己都不信：

• 同一概念被拆成“artificial intelligence”“AI”“机器学习”三条关键词，结果聚类图里它们各玩各的，硬生生把一个热点撕成三个小团。
• 大小写、单复数、缩写、全称并存，导致频次统计时“COVID-19”与“covid 19”被当成两个词，排名直接失真。
• 数据库导出的关键词字段里混着“WOS”“DE”“ID”等多源标签，没清洗就丢进CiteSpace，节点爆炸到软件卡死。

这些“脏数据”会让共现网络出现伪热点、伪桥接，后续的战略坐标、突现检测全都跑偏。一句话：关键词不洗干净，结论就站不住。

二、工具对比：为什么选CiteSpace做清洗

结论：CiteSpace在“GUI友好+可脚本化+可视化闭环”三点上取得平衡，对非编程背景的科研人员最友好。

三、核心操作：三步把关键词洗到“能看”

1. 数据准备：从WOS/Scopus导出纯文本

• 字段全选“Full Record and Cited References”
• 统一保存为download_xxx.txt，放在同一文件夹

2. 启动CiteSpace并新建项目

1. Project → New，命名CleanDemo
2. 指定Data Directory为刚才的文件夹
3. 在“Data Source”选“Web of Science”，点击“Save”

3. 关键词清洗三板斧

3.1 去重（Deduplication）

• Menu:Data → Import/Export → Remove Duplicates
• 勾选“Exact Match”+“Fuzzy Match”，阈值0.9
• Output 文件：download_xxx_dedup.txt

3.2 标准化（Normalization）

• Menu:Data → Import/Export → Normalize Keywords
• 大小写规则选“Title Case”，复数转单数勾选“Plural→Singular”
• 自定义字典：提前准备mydict.txt，每行一条，格式COVID-19=Covid-19

3.3 同义词合并（Thesaurus）

• 新建thesaurus.txt，放在CiteSpace\data\thesaurus\目录
• 格式：一行一组，用英文逗号分隔，首词为保留形式

machine learning,ML,Machine Learning artificial intelligence,AI,Artificial Intelligence

• 在Project面板勾选“Apply Thesaurus”，重新Run即可看到节点减少、连线变密。

四、实战案例：10分钟把2万条关键词压到6千

下面用一份真实WOS数据集（COVID-19主题，1990-2023，共18 732条记录）演示完整流程。

Step 1 数据导入

1. 将download_covid.txt放入data\covid\
2. 新建项目，参数保持默认，Time Slice选1年

Step 2 一键去重

1. Data → Remove Duplicates
2. 得到download_covid_dedup.txt，记录减至17 405条

Step 3 标准化+字典

1. 准备covid_dict.txt：

COVID-19=COVID-19 SARS-CoV-2=SARS-CoV-2 coronavirus=Coronavirus

2. 在Normalize面板加载字典，运行后生成download_covid_norm.txt

Step 4 同义词合并

1. 编辑thesaurus_covid.txt：

COVID-19,COVID19,covid-19 Machine Learning,ML Public Health,Public health,public-health

2. 勾选“Thesaurus”重新Run，节点从8 142→5 987，聚类模块度Q提升0.26→0.31，效果肉眼可见。

五、性能考量：大规模数据不卡死的4个技巧

1. 切片先行：把30年数据按5年切成6段，分别清洗后再合并，内存占用降60%。
2. JVM堆内存：编辑CiteSpace.ini，-Xmx改为物理内存的70%，8 G以上数据建议16 G。
3. 关闭实时可视化：在Preferences → Visualization取消“Real-time layout”，后台跑得快。
4. 前处理脚本：用Python先筛核心关键词，再喂给CiteSpace，减少无效节点。

# 提前筛词，保留频次≥3的关键词 import pandas as pd df = pd.read_csv('keywords_raw.csv') df = df[df['freq'] >= 3] df.to_csv('keywords_clean.csv', index=False)

六、避坑指南：90%新手会翻的5个跟头

• 路径含中文 → CiteSpace读取失败，项目与数据路径全英文。
• thesaurus文件保存为UTF-8 BOM → 首行出现“”导致匹配失效，用Notepad++选“UTF-8 无BOM”。
• 字典把“COVID-19=COVID” → 过度归并，突现检测会漏掉早期词，保留特异性。
• 重复Run项目未清空缓存 → 节点数诡异增加，每次Run前删除data\project\cache\*。
• 把“Keyword Plus”当“Author Keywords”混用 → 两者语义粒度不同，最好分开清洗再合并。

七、进阶建议：让清洗效果再上一个台阶

1. 先用Python+Snowball Stemming批量取词干，再丢进CiteSpace，可减少变形误差。
2. 调用NLTK/SpaCy做词性标注，筛掉无实意的“policy”“model”等泛化词，网络更聚焦。
3. 将清洗后的关键词导回VOSviewer做叠加可视化，利用其密度图弥补CiteSpace在标签重叠上的短板。
4. 建立团队级“动态同义词库”，用Git管理，每篇新项目Pull最新字典，保证组内口径一致。

八、小结与思考题

关键词清洗是文献计量里“脏活累活”，却直接决定后续分析可信度。CiteSpace把最常用的“去重-标准化-合并”集成在GUI里，对非编程用户足够友好；再配合简单的Python预处理，即可在半小时内完成过去需要手工几天的工作量。

思考题（欢迎评论区交作业）：

1. 你所在领域最容易出现哪些“同义不同形”关键词？准备如何构建自己的thesaurus？
2. 如果数据量超过50万条，你会如何拆分清洗任务，保证结果可复现？
3. 清洗时不慎把“COVID-19”与“SARS”合并成同一节点，会对突现检测产生什么影响？如何避免？

把答案做成流程图或脚本分享出来，我们一起把“清洗”卷到飞起。