引言

VOSviewer是一款免费且广泛使用的文献计量与网络可视化软件，特别擅长构建和展示共现网络。共现网络分析通过识别关键词、作者、机构等实体之间的共同出现关系，揭示研究主题的结构与演化。其中，聚类网络是VOSviewer的核心可视化形式之一，能够将网络中的节点自动分组（聚类），每个聚类代表一个潜在的主题或知识模块。本文将介绍如何使用VOSviewer进行共现网络分析，并重点解读聚类网络的生成与意义。

1. 共现网络分析基础

共现网络由节点（Node）和边（Edge）组成。节点代表分析单元（如关键词、作者、国家），边表示节点之间的共现关系（如两个关键词在同一篇文献中出现）。边的权重通常为共现频次，频次越高，节点间关联越强。VOSviewer支持多种共现类型：

• 关键词共现：揭示研究热点与主题关联。
• 作者共现：识别合作群体与学术社区。
• 机构共现：展示机构间的合作网络。
• 引文共现：分析文献或期刊的引用关系。

2. 聚类网络的生成原理

VOSviewer采用基于相似度的聚类算法（如模块度优化或关联强度法），将网络中连接紧密的节点划分为同一聚类。聚类结果通过颜色区分：每个聚类被赋予一种颜色，节点颜色相同表示属于同一聚类。聚类的数量由算法自动确定，也可手动设置分辨率参数调整聚类粒度。

聚类网络的核心思想是：同一聚类内的节点之间的共现关系相对紧密，而不同聚类之间的节点联系相对稀疏。这有助于发现研究领域中的子主题或知识群组。

3. 使用VOSviewer构建聚类网络的步骤

3.1 数据准备

常见数据来源：Web of Science、Scopus、CNKI等数据库导出的纯文本或CSV文件。需包含作者、关键词、摘要等字段。VOSviewer支持直接导入数据库格式，也支持通过VOSviewer自身的数据转换工具。

3.2 创建共现网络

打开VOSviewer，选择“Create” -> “Create a map based on bibliographic data”。选择数据源（如“Read data from bibliographic database files”），导入文件。随后选择分析类型（如“Co-occurrence”），并选择分析单元（如“Author keywords”或“All keywords”）。

3.3 参数设置

• 计数方法：Full counting（全计数）或Binary counting（二值计数）。
• 最小出现次数：设定阈值，只保留出现次数较高的节点。
• 聚类分辨率：默认值为1.0，值越大聚类越多；值越小聚类越少。
• 网络布局：如“Association strength”归一化方法，影响节点距离。

3.4 生成聚类网络

点击“Finish”后，VOSviewer会自动生成网络图。默认显示为聚类视图（Cluster View），节点颜色代表聚类。同时可切换为“Overlay Visualization”按时间或分数着色，或“Density Visualization”显示密度热图。

4. 聚类网络的解读与应用

4.1 聚类标签

VOSviewer为每个聚类自动生成一个标签（通常为聚类内权重最高的节点名称），帮助快速理解聚类主题。例如，聚类1可能以“machine learning”为标签，聚类2以“COVID-19”为标签。

4.2 节点大小与连线

节点大小反映节点权重（如出现频次或总连接强度）。连线粗细表示共现强度。聚类内部连线密集，聚类之间连线较少。

4.3 聚类分析的意义

• 识别研究热点：不同聚类代表不同研究方向。
• 发现跨学科联系：连接多个聚类的节点可能为交叉主题。
• 追踪主题演化：结合时间叠加图，观察聚类随时间的变化。
• 辅助文献综述：为系统综述提供结构化视角。

5. 注意事项与优化建议

• 数据清洗：合并同义词（如“AI”与“Artificial Intelligence”），避免节点冗余。
• 阈值选择：阈值过高会遗漏重要节点，过低则网络杂乱。建议多次尝试。
• 聚类分辨率调整：根据研究目的调整，若聚类过细可降低分辨率。
• 结果验证：聚类结果需结合领域知识判断，避免盲目依赖算法。
• 可视化美化：可调整节点大小、标签显示、颜色方案等，使图表更清晰。

##

VOSviewer的共现网络分析与聚类可视化功能强大且易于上手，是文献计量和知识图谱研究的重要工具。通过合理设置参数与解读聚类结果，研究者可以快速把握领域结构、发现新兴主题，并为后续研究提供方向。掌握聚类网络的生成与解读，将显著提升科学计量分析的效率与深度。