精华内容
下载资源
问答
  • CiteSpace关键词聚类图谱含义详细解析 回顾上一次推文:CiteSpace关键词共现图谱含义详细解析 其中有一句: 当你人工已经可以很容易的进行归纳后,就不需要再利用CiteSpace聚类功能啦。 我们来看一下上次推文做出来...

    CiteSpace关键词聚类图谱含义详细解析
    在这里插入图片描述
    回顾上一次推文:CiteSpace关键词共现图谱含义详细解析
    其中有一句:
    当你人工已经可以很容易的进行归纳后,就不需要再利用CiteSpace聚类功能啦。
    我们来看一下上次推文做出来的关键词共现图谱:

    在这里插入图片描述
    人工不好归纳!那怎么聚类呢?
    此时便可使用CiteSpace的聚类功能啦!
    如下所示:我们可以清晰地看到上边的关键词共现网络聚成了一个个不规则区域,每一个区域都对应着一个标签。

    顺序是从0到7,数字越小,聚类中包含的关键词越多,每个聚类是多个紧密相关的词组成的,具体是那些关键词我们可以通过导出得报告得到详细信息。
    在这个网络中我们需要注意两个数值,一个是Q值一个是S值,这两个数值表征着聚类想过的好坏,一般认为:
    Modularity::聚类模块值(Q值),一般认为Q>0.3意味着聚类结构显著
    Silhouette:S值:聚类平均轮廓值 ,一般认为S>0.5聚类类就是合理的,S>0.7意味着聚类是令人信服的。
    如果这两个值不在此范围内,我们可以调节每年出现的次数或者网络的剪切算法。
    但是,我们不能为了调值而调值,有时两个值是调好了,但是呢?图谱已经不能看了,结果根本就不符合实际啦。
    所以呢,关于这两个值到底如何,我们还是需要根据图谱来判断。如果图谱合理了,即使值不在范围内也是可以。
    另外,每个聚类都有一个标签,这个便签是怎么生成的呢?
    这个答案,可以通过下图来回答。
    在这里插入图片描述

    每个聚类竟然都是共现网络中的关键词。
    也就是说我们得到的聚类标签其实早已经存在了网络中,只不过CiteSpace是通过算法将关系紧密的关键词进行聚类,然后会给每个关键词一个值,同一聚类中值最大的当选为该类别的代表,给它打上标签。
    哦,原来是排序呀!简单。
    这也是为什么开头告诉大家:当你人工已经可以很容易的进行归纳后,就不需要再利用CiteSpace聚类功能啦。
    因为人工可以总结出共现图谱中没有的词,可以将多个词归纳成一个短语。
    所以。。。你懂了吧。。。
    既然已经聚类完成了,接下来就是根据聚类结果进行论述你的主题啦,这部分要靠你自己啦!
    上图为老版本做的图,下图为新版本做的图,喜欢哪个自己抉择。

    定量分析的大部分最终结果就是排序,只不过过程有所差异罢了。大到国家综合国力的比拼,小到自己考试考了多少分。所谓定量分析无非就是从数字的角度找到最优的结果。
    比如文献定量中关键词频次排序获取研究热点,社会网络分析中点度中心性、接近中心性、中间中心性排序,获取网络中有影响力的行动者,上文CiteSpace聚类中的关键词排序得到该聚类的标签等等。

    展开全文
  • 本文以CiteSpace软件做的关键词聚类分析为例,进行关键词聚类图谱含义详细解析。回顾上一次推文:CiteSpace关键词共现图谱含义详细解析其中有一句:当你人工已经可以很容易的进行归纳后,就不需要再利用CiteSpace...

    d34a6117e9f2254f562988b3555560e7.png

    b24f18a8a3e675ed80c3ed5ebb115d98.png

    本文以CiteSpace软件做的关键词聚类分析为例,进行关键词聚类图谱含义详细解析。

    回顾上一次推文:CiteSpace关键词共现图谱含义详细解析

    其中有一句:

    当你人工已经可以很容易的进行归纳后,就不需要再利用CiteSpace聚类功能啦。

    我们来看一下上次推文做出来的关键词共现图谱:

    a6813008badf0a39fa5e735bd574fc87.png

    我们可以通过眼睛观察,得到哪些词之间的关系比较密切,但是乍一看又会发现大部分词只之间的联系都很密切!

    人工不好归纳!那怎么聚类呢?

    此时便可使用CiteSpace的聚类功能啦!

    如下所示:我们可以清晰地看到上边的关键词共现网络聚成了一个个不规则区域,每一个区域都对应着一个标签。

    26ed671cb317a2d981abff798e92cf10.png

    从图中我们看到一共聚成了8类,分别是数据管理、科学数据、图书馆、数据监护、研究数据管理、escience、科研数据管理、统计数据。

    顺序是从0到7,数字越小,聚类中包含的关键词越多,每个聚类是多个紧密相关的词组成的,具体是那些关键词我们可以通过导出得报告得到详细信息。

    在这个网络中我们需要注意两个数值,一个是Q值一个是S值,这两个数值表征着聚类想过的好坏,一般认为:

    Modularity::聚类模块值(Q值),一般认为Q>0.3意味着聚类结构显著

    Silhouette:S值:聚类平均轮廓值 ,一般认为S>0.5聚类类就是合理的,S>0.7意味着聚类是令人信服的。

    如果这两个值不在此范围内,我们可以调节每年出现的次数或者网络的剪切算法。

    但是,我们不能为了调值而调值,有时两个值是调好了,但是呢?图谱已经不能看了,结果根本就不符合实际啦。

    所以呢,关于这两个值到底如何,我们还是需要根据图谱来判断。如果图谱合理了,即使值不在范围内也是可以。

    另外,每个聚类都有一个标签,这个便签是怎么生成的呢?

    这个答案,可以通过下图来回答。

    b24f18a8a3e675ed80c3ed5ebb115d98.png

    有没有发现一个有趣额现象?

    每个聚类竟然都是共现网络中的关键词。

    也就是说我们得到的聚类标签其实早已经存在了网络中,只不过CiteSpace是通过算法将关系紧密的关键词进行聚类,然后会给每个关键词一个值,同一聚类中值最大的当选为该类别的代表,给它打上标签。

    哦,原来是排序呀!简单。

    这也是为什么开头告诉大家:当你人工已经可以很容易的进行归纳后,就不需要再利用CiteSpace聚类功能啦。

    因为人工可以总结出共现图谱中没有的词,可以将多个词归纳成一个短语。

    所以。。。你懂了吧。。。

    既然已经聚类完成了,接下来就是根据聚类结果进行论述你的主题啦,这部分要靠你自己啦!

    上图为老版本做的图,下图为新版本做的图,喜欢哪个自己抉择。

    94c351761347f1c0e9fa3ec7016fb6b1.png

    拓展

    定量分析的大部分最终结果就是排序,只不过过程有所差异罢了。大到国家综合国力的比拼,小到自己考试考了多少分。所谓定量分析无非就是从数字的角度找到最优的结果。

    比如文献定量中关键词频次排序获取研究热点,社会网络分析中点度中心性、接近中心性、中间中心性排序,获取网络中有影响力的行动者,上文CiteSpace聚类中的关键词排序得到该聚类的标签等等。

    你在干嘛?我在比大小。

    如有错误请指正!如需转载请联系本文作者,微信:w2013305084

    公众号首界面【公开课】栏目下还有其他关于citespace的课程哦。

    更多精品教程:

    各软件与编程视频教程:在微信公众号【学术点滴】 首界面“公开课”栏目下

    展开全文
  • 本文以CiteSpace软件做的关键词时间线图谱分析为例,进行关键词聚类图谱含义详细解析。 回顾上几次推文: CiteSpace关键词共现图谱含义详细解析 CiteSpace关键词聚类图谱含义详细解析 CiteSpace的时区图谱含义详细...

    本文以CiteSpace软件做的关键词时间线图谱分析为例,进行关键词聚类图谱含义详细解析。
    回顾上几次推文:
    CiteSpace关键词共现图谱含义详细解析
    CiteSpace关键词聚类图谱含义详细解析
    CiteSpace的时区图谱含义详细解读
    CiteSpace关键四张表解读
    CiteSpace同义词、同机构异名批量合并功能
    CiteSpace软件一个独特之处就是将时间引入到网络中。
    在做共现矩阵时线条颜色对应着图谱上方的颜色
    但是说实话,在做共现时这个时间因素你真的用到了吗?
    我感觉没什么意义。
    那么这个时间又体现在什么价值上呢?
    从关键词的角度讲:
    一个是“主题路径图”,主题路径图已经讲过,上述链接便是。
    另一个便是“时间线图”,这理介绍一下它的含义。
    首先,看一下聚类图里的几个聚类:
    在这里插入图片描述

    你会发现所有的聚类都会按照序号出现在时间线里,见右侧。
    那么这个图怎么看呢?
    这个图我们需要横着看,一个聚类一个聚类的看。
    在这里插入图片描述

    这个时间线图只是将聚类包含的关键词按照时间给铺开了而已,每一个聚类左边都包含几个关键词,而这些关键词其实就是图1关键词聚类里的几个主要关键词。
    在时间线图中,这些关键词是如何铺展开的呢?这时候我们又需要看共现分析时出现的表格了,里面有时间因素,即关键词首次出现的年份。

    在这里插入图片描述
    有没有发现聚类的标签词其实也在左边的关键词中?
    当然在了,因为时间线图本质就是聚类图,只不过加上了时间而已,由此显示每个聚类里关键词的发展情况。就是这么简单。如果不理解先看以前的推文或下方视频。
    在这里插入图片描述

    展开全文
  • 关注公众号【学术点滴】获取更多资讯本文以CiteSpace软件做的关键词聚类分析为例,进行关键词聚类图谱含义详细解析。回顾上一次推文:CiteSpace关键词共现图谱含义详细解析其中有一句:当你人工已经可以很容易的进行...

    254774b0931d10185b5160a1fc9dc700.png

    关注公众号【学术点滴】获取更多资讯

    0806fa57eb84513d3183f211dd35c880.png

    本文以CiteSpace软件做的关键词聚类分析为例,进行关键词聚类图谱含义详细解析。

    回顾上一次推文:CiteSpace关键词共现图谱含义详细解析

    其中有一句:

    当你人工已经可以很容易的进行归纳后,就不需要再利用CiteSpace聚类功能啦。

    我们来看一下上次推文做出来的关键词共现图谱:

    b6812002c52b3d7bbd1b65a53f7fbc37.png

    我们可以通过眼睛观察,得到哪些词之间的关系比较密切,但是乍一看又会发现大部分词只之间的联系都很密切!

    人工不好归纳!那怎么聚类呢?

    此时便可使用CiteSpace的聚类功能啦!

    如下所示:我们可以清晰地看到上边的关键词共现网络聚成了一个个不规则区域,每一个区域都对应着一个标签。

    5efd2a35cec6a96b88e408e2e6a85595.png

    从图中我们看到一共聚成了8类,分别是数据管理、科学数据、图书馆、数据监护、研究数据管理、escience、科研数据管理、统计数据。

    顺序是从0到7,数字越小,聚类中包含的关键词越多,每个聚类是多个紧密相关的词组成的,具体是那些关键词我们可以通过导出得报告得到详细信息。

    在这个网络中我们需要注意两个数值,一个是Q值一个是S值,这两个数值表征着聚类想过的好坏,一般认为:

    Modularity::聚类模块值(Q值),一般认为Q>0.3意味着聚类结构显著

    Silhouette:S值:聚类平均轮廓值 ,一般认为S>0.5聚类类就是合理的,S>0.7意味着聚类是令人信服的。

    如果这两个值不在此范围内,我们可以调节每年出现的次数或者网络的剪切算法。

    但是,我们不能为了调值而调值,有时两个值是调好了,但是呢?图谱已经不能看了,结果根本就不符合实际啦。

    所以呢,关于这两个值到底如何,我们还是需要根据图谱来判断。如果图谱合理了,即使值不在范围内也是可以。

    另外,每个聚类都有一个标签,这个便签是怎么生成的呢?

    这个答案,可以通过下图来回答。

    0806fa57eb84513d3183f211dd35c880.png

    有没有发现一个有趣额现象?

    每个聚类竟然都是共现网络中的关键词。

    也就是说我们得到的聚类标签其实早已经存在了网络中,只不过CiteSpace是通过算法将关系紧密的关键词进行聚类,然后会给每个关键词一个值,同一聚类中值最大的当选为该类别的代表,给它打上标签。

    哦,原来是排序呀!简单。

    这也是为什么开头告诉大家:当你人工已经可以很容易的进行归纳后,就不需要再利用CiteSpace聚类功能啦。

    因为人工可以总结出共现图谱中没有的词,可以将多个词归纳成一个短语。

    所以。。。你懂了吧。。。

    既然已经聚类完成了,接下来就是根据聚类结果进行论述你的主题啦,这部分要靠你自己啦!

    上图为老版本做的图,下图为新版本做的图,喜欢哪个自己抉择。

    d21147027e4b51f9a3e88e1c7ae3792a.png

    拓展

    定量分析的大部分最终结果就是排序,只不过过程有所差异罢了。大到国家综合国力的比拼,小到自己考试考了多少分。所谓定量分析无非就是从数字的角度找到最优的结果。

    比如文献定量中关键词频次排序获取研究热点,社会网络分析中点度中心性、接近中心性、中间中心性排序,获取网络中有影响力的行动者,上文CiteSpace聚类中的关键词排序得到该聚类的标签等等。

    你在干嘛?我在比大小。

    如有错误请指正!如需转载请联系本文作者,微信:w2013305084

    需要课程请点击《【理论+实战】全面深度讲解CiteSpace,解决使用过程中的各种难题,以CSSCI数据库为例。》

    公众号首界面【公开课】栏目下还有其他关于citespace的课程哦。

    更多精品教程:

    各软件与编程视频教程:在微信公众号 首界面“公开课”栏目下

    展开全文
  • CiteSpace关键词聚类图谱含义详细解析 CiteSpace的时区图谱含义详细解读 CiteSpace关键词时间线图谱含义详细解析 CiteSpace关键四张表解读 CiteSpace文献共被引图谱含义详细解析 CiteSpace同义词、同机构异名批量...
  • CiteSpace关键词聚类图谱含义详细解析 CiteSpace的时区图谱含义详细解读 CiteSpace关键词时间线图谱含义详细解析 CiteSpace关键四张表解读 CiteSpace文献共被引图谱含义详细解析 CiteSpace同义词、同机构异名批量...
  • CiteSpace关键词聚类图谱含义详细解析 CiteSpace的时区图谱含义详细解读 CiteSpace关键词时间线图谱含义详细解析 CiteSpace关键四张表解读 CiteSpace同义词、同机构异名批量合并功能 CiteSpace最最强大的功能当属于...
  • 以前论文写作中做一个共现矩阵、二模矩阵、聚类图谱、词云图、邻接表、相异矩阵、同义词批量合并、研究热点追踪等分析需要一小时、一天、对于小白甚至需要一周、一个月。 但是利用COOC这款软件,你会体会到什么叫...
  • 中文生物医学文献服务系统(SinoMed)是生物医学领域领域的权威数据库。 相当于中国版的PubMed 最近一些人想做SinoMed数据库计量分析,但是现有软件无法...关键词主题聚类 关键词、作者词云图 案例图如下: ...
  • 5-VOSviewer项目密度图含义解析

    千次阅读 2020-02-21 13:43:49
    1-Vosviewer图谱相关指标详细解释VOSviewer关键词时间图(叠加可视化)详细解释 2-VOSviewer图谱相关指标- Occurrencs与Total link Strength详细解释 3-VOSviewer图谱相关指标-Links、Total ...下图为关键词聚类图,可...
  • 团体标准研究知识图谱:基于VOSviewer的可视化研究孙孝静 张雪玫 王美远(山东大学管理学院)摘要本文基于系统性文献综述,利用VOSviewer对我国团体标准研究进行了关键词共现分析和聚类分析,用可视化图谱形象地展示了...
  • 新版本Pubmed数据库如何做计量分析与知识图谱,bicomb不可以用了 最近一些人想做Pubmed数据库...利用本软件可以一键制作Pubmed关键词共现矩阵、相异矩阵、主题聚类、作者合作矩阵与合作网络、期刊发文统计。 以关键词
  • 利用CiteSpace和VosViewer对高被引文献之间的共现关系进行聚类辨识经管领域大数据研究的知 识基础,对高频关键词的共现关系进行历时分析识别经管领域大数据研究热点及其演化过程。研究发 现,国内大数据领域文献数量...
  • 将提供中文分词,词性标注,命名实体识别,情感分析,知识图谱关系转移,关键字检索,文本摘要,新词发现,情感分析,文本聚类等常用自然语言处理功能。参考了各大工具优缺点制作,将Jiagu回馈给大家。 目录 提供的...
  • 使用 ucinet vosviewer pajek ...举例来说,在做关键词、作者、机构等共现和聚类图谱时,你对同义词合并了吗? 对一些无意义的词你删除了吗? 我想,大部分人的答案是没有?当然还有一部分人回答合并了,删除了。...
  • 摘要:以中国期刊全文数据库(CNKI)收录的645篇MOOC主题期刊论文为研究对象,以共词聚类和多维尺度分析为主要研究方法,采用Bicomb共词分析软件和SPSS 20软件进行内容数据统计和分析,绘制出能直观反映各 个高频...
  • Jiagu深度学习自然语言处理工具 知识图谱关系抽取 中文分词 词性标注 命名实体识别 情感分析 新词发现 关键词 文本摘要 文本聚类
  • 通过对关键词、研究聚类等进行知识图谱可视化分析,描述该领域的研究热点及未来发展趋势。结果表明:该领域的作者间合作以小范围团队合作为主,研究主要集中于美国、中国、加拿大等国家,且主要研究机构大多为各国高校;...
  • 鉴于部分学员已经不满足于已发表论文中的常用功能,基于此本团队根据用户反馈,开发出一款针对文献计量和知识图谱的高级功能软件。 Scientometrics Tools3.0软件所具备的功能没有任何软件可以绘制,属于独家功能。 ...
  • 自然语言处理是一个比较抽象的概念,具体可以落实到词法与句法分析、语义理解、语言认知、语言表示和知识图谱等基础研究,可以应用到文本分类与聚类、信息抽取、自动文摘等许许多多的方面[15]。信息资源80%是以...
  • HanLP的官方简介如下: HanLP是一系列模型与...中文分词、词性标注、命名实体识别、关键词提取、短语提取、拼音转换、简繁转换、文本推荐、依存句法分析、文本分类、文本聚类、向量提取等。 更多更全面的使用方法,请
  • - 以BiLSTM等模型为基础,提供知识图谱关系抽取 中文分词 词性标注 命名实体识别 情感分析 新词发现 关键词 文本摘要 文本聚类等功能、用unet实现对文档表格的自动检测,表格重建、NLP事件提取文献资源列表 、 金融...

空空如也

空空如也

1 2
收藏数 22
精华内容 8
关键字:

关键词聚类图谱