VOSviewer可视化

方法概述

VOSviewer 可视化工具用于构建词共现、引文、合作等文献计量网络，计算网络中心性并发现社区结构，生成可直接导入 VOSviewer 的网络文件（.net/.map），同时提供在线交互可视化预览与 AI 智能解读，是科学文献计量与知识图谱分析的常用入口。

本工具核心能力：

  • 多种网络类型：共现网络、引文网络、合作关系网络、关键词网络。
  • 多格式数据输入：两列格式（源-目标，可选权重）、矩阵格式、VOSviewer 原生格式。
  • 网络中心性计算：节点度、介数中心性、接近中心性、特征向量中心性等。
  • 社区发现：Louvain、Leiden、Walktrap 聚类算法。
  • VOSviewer 文件导出：Pajek 格式 .net、tab 分隔 .map（坐标 x/y 与聚类信息写入 .map 文件），可直接导入 VOSviewer 使用。
  • 在线预览与 AI 解读：交互式网络图预览与 DeepSeek 智能分析（每日 3 次）。

方法原理

VOSviewer 可视化的本质是构建文献计量网络并生成节点坐标布局。网络以文献要素（关键词、作者、引文）为节点、以共现或引用关系为边；VOS 布局算法通过节点间的关联强度计算坐标，使强关联节点相互靠近。核心流程：

1. 网络构建

将输入数据转为无向/有向加权图 \(G=(V, E, W)\)：

  • 共现网络：节点为词语，边权重为两词在同一文档共现次数。
  • 引文/合作网络：以文献引用或作者合作关系建边。

建图时按最小频率阈值、最小边权重过滤低频节点与弱边，必要时移除孤立节点控制规模。

2. 中心性计算

  • 度：节点连接数量，衡量基础活跃度。

  • 中间中心性（Betweenness）：经过该节点的最短路径比例，衡量”桥梁”作用：

    \[ C_B(v) = \sum_{s \neq v \neq t} \frac{\sigma_{st}(v)}{\sigma_{st}} \]

  • 接近中心性（Closeness）：到所有节点的平均最短距离倒数，衡量可达性。

  • 特征向量中心性（Eigenvector）：同时考虑邻居的重要性，衡量影响力。

3. 社区发现

采用模块度最大化的聚类算法把网络划分为社区：

  • Louvain：通过局部模块度优化与社区合并迭代，速度快、适用广泛。
  • Leiden：在 Louvain 基础上引入精细化阶段，社区更精细稳定。
  • Walktrap：基于随机游走相似度分层聚类，适合探索性分析。

分辨率参数控制聚类粒度——越高社区划分越细。

4. VOS 布局与文件生成

基于节点间关联强度 \(\approx\) 距离的优化目标求解布局：

\[ \min \sum_{i<j} \frac{1}{\|x_i - x_j\|} \cdot s_{ij} \cdot \|x_i - x_j\|^2 \]

将网络结构导出为 .net 文件、将节点坐标与聚类标签导出为 .map 文件，可直接在 VOSviewer 中按 .net 布局复用平面坐标。

使用流程

在平台左侧菜单选择“其他文本处理工具 → VOSviewer可视化”，点击“开始智算”进入工具界面：

Step 1 数据准备

  • 支持 CSV、Excel、TXT 三种格式，文件大小不超过 10MB。
  • 两列格式：源节点、目标节点，第三列可选权重；TXT 每行“节点1 节点2 [权重]”。
  • 矩阵格式：节点关联强度矩阵。
  • VOSviewer 原生格式：直接读取已有 map/txt 数据。

Step 2 网络设置

  • 选择网络类型（共现/引文/合作/关键词）与数据格式（两列/矩阵/原生）。
  • 设定最小频率阈值（默认 2）、最小边权重（默认 1）、最大节点数（默认 100）。

Step 3 分析与布局设置

  • 选择是否标准化权重、移除孤立节点。
  • 选择是否包含自连接、是否为有向网络。
  • 选择布局算法：VOS 布局（默认）、力导向、圆形、网格。

Step 4 可视化与聚类设置

  • 设定节点大小/颜色/标签映射字段与边宽度倍数。
  • 启用聚类分析（默认开），设定聚类分辨率（默认 1.0）与聚类算法（Louvain 默认，可 Leiden/Walktrap）。

Step 5 开始分析

点击“开始网络分析”按钮，工具完成建图、中心性计算、社区发现与布局生成。

Step 6 结果查看与下载

查看网络统计、聚类分析、交互式网络预览等，可下载网络文件（.net）、地图文件（.map）与分析报告。

参数说明

参数 默认值 说明
网络类型 共现网络 共现 / 引文 / 合作 / 关键词
数据格式 两列格式 两列 / 矩阵 / VOSviewer 原生
最小频率阈值 2 低于该频次的节点剔除
最小边权重 1 低于该权重的边剔除
最大节点数 100 网络规模上限
标准化权重 是 对边权重做标准化
移除孤立节点 是 删除无连接的节点
包含自连接 否 是否保留自环边
有向网络 否 是否构建有向图
布局算法 VOS布局 VOS / 力导向 / 圆形 / 网格
节点大小/颜色/标签 可自定义 基于中心性等指标映射
边宽度倍数 1 边的显示宽度
启用聚类分析 是 社区发现开关
聚类分辨率 1.0 聚类粒度
聚类算法 Louvain Louvain / Leiden / Walktrap

案例分析

案例背景：对 300 篇“智能网联汽车”主题论文的关键词构建共现网络，识别研究热点与趋势。

  • 数据：CSV 两列格式（关键词对与共现次数）。
  • 参数：共现网络、最小频率 2、最大节点 80、Louvain 聚类、分辨率 1.0。

分析结果示例：

  • 核心节点：“自动驾驶、车联网、传感器、深度学习”位于网络中心。
  • 社区结构：识别出 3 个主要社区——自动驾驶技术、车-路-云协同、安全与法规。
  • 中心性指标：“自动驾驶”介数中心性最高，为领域枢纽术语。

结论：网络结构与中心性呈现该领域研究热点与分支方向，导出的 .net/.map 文件可在 VOSviewer 中复现视图，供论文知识图谱使用。

常见问题

Q1: 生成的文件如何使用？

A: 在 VOSviewer 中通过“Create Map”向导选择“基于现有文件（Based on existing files）”，加载 .map（含坐标与聚类）文件、必要时再加载 .net 网络文件，即可复现与平台一致的可缩放交互视图。

Q2: 与中文网络分析工具的区别？

A: 网络分析侧重词语共现与关系结构分析；本工具专注于生成 VOSviewer 兼容的文献计量网络文件。

Q3: 如何选择聚类算法？

A: Louvain 速度快、适用广泛；Leiden 社区更精细、稳定性更好；Walktrap 适合探索性分析。分辨率越高聚类越细。

Q4: 数据量很大怎么办？

A: 通过最小频率阈值、最小边权重与最大节点数控制网络规模，保留核心结构、降低计算与可视化负担。

平台功能

  • 数据输入：支持 CSV、Excel、TXT 格式，两列/矩阵/VOSviewer 原生三种格式；文件大小限制 10MB。
  • 网络构建：多种网络类型、频率/权重阈值、标准化与孤立节点处理、有向/自环选项。
  • 网络指标：度、介数、接近、特征向量中心性等 8 项统计指标及 Top 20 排名。
  • 社区发现：Louvain / Leiden / Walktrap 算法，分辨率可调。
  • 可视化：在线交互式网络预览、聚类分布图；节点大小/颜色/标签可映射。
  • 结果导出：网络文件（.net）、地图文件（.map，含坐标与聚类信息）、分析报告（HTML）。
  • AI 智能分析：基于 DeepSeek 大模型对网络结构与中心性自动解读（每日限 3 次）。

使用建议

  1. 数据口径一致：网络质量取决于原始数据，建议先用分词工具统一词汇口径，必要时做同义词合并。

  2. 控制规模：语料较大时先设合理的节点/边上限，聚焦核心结构后再细化。

  3. 参数组合：一般先用“共现 + 默认阈值 + Louvain”快速建模，再用分辨率与算法微调社区划分。

  4. 多图互证：结合网络指标（枢纽词）、社区结构（主题群落）与可视化三者解读，结论更稳健。

  5. 生态衔接：将导出的文件在 VOSviewer/Gephi 中做精细排版，可直接用于论文插图。

平台界面

官方地址：https://superr.online

VOSviewer可视化工具界面预览

平台界面包含：数据上传区、网络设置区、分析与布局设置区、可视化与聚类设置区、结果展示（网络统计、聚类分析、交互式网络预览）及文件下载区

参考文献：

  1. van Eck, N. J., & Waltman, L. (2010). Software Survey: VOSviewer, a Computer Program for Bibliometric Mapping. Scientometrics.

  2. Blondel, V. D., et al. (2008). Fast Unfolding of Communities in Large Networks. Journal of Statistical Mechanics.