引言

VOSviewer是一款免費且廣泛使用的文獻計量與網絡可視化軟件，特別擅長構建和展示共現網絡。共現網絡分析通過識別關鍵詞、作者、機構等實體之間的共同出現關系，揭示研究主題的結構與演化。其中，聚類網絡是VOSviewer的核心可視化形式之一，能夠將網絡中的節點自動分組（聚類），每個聚類代表一個潛在的主題或知識模塊。本文將介紹如何使用VOSviewer進行共現網絡分析，并重點解讀聚類網絡的生成與意義。

1. 共現網絡分析基礎

共現網絡由節點（Node）和邊（Edge）組成。節點代表分析單元（如關鍵詞、作者、國家），邊表示節點之間的共現關系（如兩個關鍵詞在同一篇文獻中出現）。邊的權重通常為共現頻次，頻次越高，節點間關聯越強。VOSviewer支持多種共現類型：

• 關鍵詞共現：揭示研究熱點與主題關聯。
• 作者共現：識別合作群體與學術社區。
• 機構共現：展示機構間的合作網絡。
• 引文共現：分析文獻或期刊的引用關系。

2. 聚類網絡的生成原理

VOSviewer采用基于相似度的聚類算法（如模塊度優化或關聯強度法），將網絡中連接緊密的節點劃分為同一聚類。聚類結果通過顏色區分：每個聚類被賦予一種顏色，節點顏色相同表示屬于同一聚類。聚類的數量由算法自動確定，也可手動設置分辨率參數調整聚類粒度。

聚類網絡的核心思想是：同一聚類內的節點之間的共現關系相對緊密，而不同聚類之間的節點聯系相對稀疏。這有助于發現研究領域中的子主題或知識群組。

3. 使用VOSviewer構建聚類網絡的步驟

3.1 數據準備

常見數據來源：Web of Science、Scopus、CNKI等數據庫導出的純文本或CSV文件。需包含作者、關鍵詞、摘要等字段。VOSviewer支持直接導入數據庫格式，也支持通過VOSviewer自身的數據轉換工具。

3.2 創建共現網絡

打開VOSviewer，選擇“Create” -> “Create a map based on bibliographic data”。選擇數據源（如“Read data from bibliographic database files”），導入文件。隨后選擇分析類型（如“Co-occurrence”），并選擇分析單元（如“Author keywords”或“All keywords”）。

3.3 參數設置

• 計數方法：Full counting（全計數）或Binary counting（二值計數）。
• 最小出現次數：設定閾值，只保留出現次數較高的節點。
• 聚類分辨率：默認值為1.0，值越大聚類越多；值越小聚類越少。
• 網絡布局：如“Association strength”歸一化方法，影響節點距離。

3.4 生成聚類網絡

點擊“Finish”后，VOSviewer會自動生成網絡圖。默認顯示為聚類視圖（Cluster View），節點顏色代表聚類。同時可切換為“Overlay Visualization”按時間或分數著色，或“Density Visualization”顯示密度熱圖。

4. 聚類網絡的解讀與應用

4.1 聚類標簽

VOSviewer為每個聚類自動生成一個標簽（通常為聚類內權重最高的節點名稱），幫助快速理解聚類主題。例如，聚類1可能以“machine learning”為標簽，聚類2以“COVID-19”為標簽。

4.2 節點大小與連線

節點大小反映節點權重（如出現頻次或總連接強度）。連線粗細表示共現強度。聚類內部連線密集，聚類之間連線較少。

4.3 聚類分析的意義

• 識別研究熱點：不同聚類代表不同研究方向。
• 發現跨學科聯系：連接多個聚類的節點可能為交叉主題。
• 追蹤主題演化：結合時間疊加圖，觀察聚類隨時間的變化。
• 輔助文獻綜述：為系統綜述提供結構化視角。

5. 注意事項與優化建議

• 數據清洗：合并同義詞（如“AI”與“Artificial Intelligence”），避免節點冗余。
• 閾值選擇：閾值過高會遺漏重要節點，過低則網絡雜亂。建議多次嘗試。
• 聚類分辨率調整：根據研究目的調整，若聚類過細可降低分辨率。
• 結果驗證：聚類結果需結合領域知識判斷，避免盲目依賴算法。
• 可視化美化：可調整節點大小、標簽顯示、顏色方案等，使圖表更清晰。

##

VOSviewer的共現網絡分析與聚類可視化功能強大且易于上手，是文獻計量和知識圖譜研究的重要工具。通過合理設置參數與解讀聚類結果，研究者可以快速把握領域結構、發現新興主題，并為后續研究提供方向。掌握聚類網絡的生成與解讀，將顯著提升科學計量分析的效率與深度。