CiteSpace中心性\引文突现及S值和Q值含义

 

​

中心性为0的解决方法

中文数据的作者，机构由于发文量太少，点过之后还是0，这个是正常的。不过大家还是要尝试点一下。

​

概述

中介中心性是为网络中的每个节点定义的。它测量网络中任意最短路径通过节点的可能性。具有高中介中心性的节点可能位于两个大型聚类或子网络的中间，因此称为中介。 在 CiteSpace 中，具有高中介中心性的节点显示为紫色环。紫色环的粗细描述了中介中心性的值的大小。 在 CiteSpace 中使用中介中心性是由结构洞理论指导的。该理论最初是为社交网络开发的。一个有见地的观察是，连通性或缺乏连通性可以指导我们找到网络中最有价值的节点。CiteSpace 建立在这些理论之上，以检测学术出版物中的跨界潜力和新的联系。 默认情况下，CiteSpace 会自动计算网络中所有节点的介数中心性，前提是网络的大小小于 350。您可以修改默认设置： Preferences > Defer the calculation of betweenness centrality.

References

1. Freeman, L. C. (1979). Centrality in social networks: Conceptual clarification. Social Networks, 1, 215-239.

2. Brandes, U. A faster algorithm for betweenness centrality. Journal of Mathematical Sociology, 25, 2 (2001), 163-177.

​

引文突现

案例中，浅蓝色的线段表示一篇文章还没有发表，深蓝色线段描绘了一篇文章的发表时间。红色线段的开始标志着突现周期的开始，而红色线段的结束标志着突现周期的结束。

突现检测突现是指特定类型事件的频率激增，例如诺贝尔奖获奖出版物的引用激增。

CiteSpace 支持对几种类型的事件进行突现检测：

• 来自出版物标题、摘要或其他部分的单词或多词短语

• 一段时间内被引参考文献的引用次数

• 关键词出现频率随时间变化

• 作者、机构或国家的出版物数量

原始算法的详细描述可以在 Kleinber 的 2002 年出版物中找到。

在 CiteSpace 中，用户可以在控制面板的 Burstness 选项卡中调整突现检测参数。例如，要找到更多的突现项，即增加突发检测的灵敏度，降低伽马值。要减少要识别的突现项目数，请增加最小持续时间。

References Kleinberg, J. Bursty and hierarchical structure in streams. In Proceedings of the 8th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (Edmonton, Alberta, Canada, 2002), ACM Press, 2002, 91-101.

CiteSpace依据网络结构和聚类的清晰度，提供了modularity和 silhouette指标，即模块值(Q值）和平均轮廓值(S值)两个指标，它可以作为我们评判图谱绘制效果的一个依据。一般而言，Q值一般在区间[o，1)内，Q>0.3就意味着划分出来的社团结构是显著的;当S值在0.7时，聚类是高效率令人信服的，若在0.5以上，聚类一般认为是合理的，若S值无穷大，则聚类个数通常为1，这样选的网络可能太小，只代表一个研究主题。知识图谱的绘制需要选取不同的阈值多次绘制，依据Q值和S值选取较理想的图谱作为最终的结果。

CiteSpace会给出几种聚类的选择，可以根据各种聚类组合的 modularity和silhouette指标，更灵活地进行选择，也可以直接选聚类个数最多的组合。 参见Chen C，lbekwe-SanJuan F，Hou J.2010.The structure and dynamicsof co-citation clusters: a multiple-perspective co-citation analysis. Journal of theAmerican Society for Information Science and Technology，61(7):1386-1409.

文章来源：CiteSpace可视化分析

1、大尺度空间模拟预测与数字制图技术

2、CMIP6数据处理方法与典型案例分析实践技术应用

3、基于Citespace和vosviewer文献计量学可视化SCI论文高效写作方法

4、R-Meta分析与【文献计量分析、贝叶斯、机器学习等】多技术融合

5、python数据挖掘与机器学习实践技术