一、关键词共现和关键词聚类的区别？
①
共词分析法利用文献集中词汇对或名词短语共同出现的情况，来确定该文献集所代表学科中各主题之间的关系。
我们目的是为了获得学科中各主题之间的关系，而主题使用关键词表示的，本质就是关键词之间的联系，所以又返回去了，我们本质就获得了关键词之间的联系。联系紧密的关键词会相对形成一个个小的团体，进而我们可以将这个小团体中的关键词进行归纳总结，总结出一个个主题，然后对主题进行详细论述。其实本质就是聚类分析
②
关键词共现是关键词共同出现，关键词聚类是关键词聚集分类
二、如何调整聚类标签citespace？
CiteSpace的核心功能是产生由多个文献共被引网络组合而成的一种独特的共被引网络，以及自动生成的一些相关分析结果。
每个文献共被引网络对应于一个历时一年或几年的时间段。
最终显示的网络不是各个网络之间的简单叠加，而是要满足一些条件（详见2004年PNAS的论文）。
解读这样的网络（我称为递进式知识领域分析）的要点包括：网络整体结构，网络聚类，各聚类之间的关联，关键节点（转折点）和路径。
解读时可从直观显示入手，然后再参照各项指标。
结构：是否能看到自然聚类（未经聚类算法而能直观判定的组合），是否包括转折点（有紫色外圈的节点），通过算法能得到几个聚类？每个节点大小代表它的总被引次数。大圈则总被引高。
时间：每个自然聚类是否有主导颜色（出现时间相对集中），是否有明显的热点（节点年轮中出现红色年轮，即被引频率是否曾经或仍在急速增加）？
通过各个年轮的色彩可判断被引时间分布。
时间线显示将每一聚类按时间顺序排列，相邻聚类常常对应相关主题（聚类间共引）。
聚类之间的知识流向也可从时间（色彩）上看到（由冷色到暖色）。内容：每个聚类的影响（被引时涉及的主题，摘要，和关键词）和几种不同算法所选出的最有代表性的名词短语？
指标：每个聚类是否具有足够的相似性（silhouette值是否足够大，太小则无明确主题可言），整个聚类是否有足够节点（太少则很可能全都出自同一篇文献的参考文献，因而缺乏普遍意义）？Tips：每个节点上，右键弹出的选择中，有一项是通过DOI连接到原文出版社提供的网页。
可用CiteSpace的图谱作为一个直接浏览相关文献的界面。
三、什么是系统性和理论性？
系统性
语法是由组合关系和聚合关系构成的严整有序的规则系统。
语法系统由语素系统、词类系统、短语系统、句子系统和句群系统等若干子系统构成。语素、词、短语、句子和句群等语法单位之间互相联系，处于一定的关系之中。
组合关系和聚合关系是语法结构规律中最基本的两种关系。
1、组合关系
组合关系是指语法成分之间在应用中前后发生的结构关系。组合关系体现了语言的线性特点和相互间组合的规则性。
组合关系决定了句法结构的方式和类型，例如主谓关系、述宾关系、偏正关系等。
例如：
我想明天出发
他弟弟打算暑假去北京
中文系王教授准备下周举行学术报告
其中：
“我——想”、“他弟弟——打算”、“中文系王教授——准备”之间都是主谓关系，
“想——明天出发”“打算——暑假去北京”、“准备——下周举行学术报告”都是述宾关系。
聚合关系
聚合关系是指能够在相同的功能位置上出现的语言单位，同一个聚合关系中的语言单位具有共同的语法特点。聚合关系体现了语法成分的可代替性和可选择性。
聚合关系决定了语法单位的功能类型，例如名词、动词、形容词、体词性短语、谓词性短语等。
A B C
我 想 明天出发
他弟弟 打算 暑假去北京
中文系王教授 准备 下周举行学术报告
上述A、B、C三类就是不同的聚合关系构成的“聚类”。例如B类的“想”、“打算”、“准备”都是动词，C类的“明天出发”、“暑假去北京”、“下周举行学术报告”等都是谓词性短语。
四、聚类的意思？
聚类是指将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。
由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相识，与其他簇中的对象相异。
“物以类聚，人以群分”就是这个道理。
五、聚类算法详细讲解？
聚类的用途是很广泛的。
在商业上，聚类可以帮助市场分析人员从消费者数据库中区分出不同的消费群体来，并且概括出每一类消费者的消费模式或者说习惯。
它作为数据挖掘中的一个模块，可以作为一个单独的工具以发现数据库中分布的一些深层的信息，并且概括出每一类的特点，或者把注意力放在某一个特定的类上以作进一步的分析；并且， 聚类分析也可以作为数据挖掘算法中其他分析算法的一个预处理步骤。
聚类分析的算法可以分为划分法（Partitioning Methods）、层次法（Hierarchical Methods）、基于密度的方法（density-based methods）、基于网格的方法（grid-based methods）、基于模型的方法（Model-Based Methods）。
六、聚类分析方法有什么好处？
聚类分析也称群分析或点群分析，它是研究多要素事物分类问题的数量方法，是一种新兴的多元统计方法，是当代分类学与多元分析的结合。其基本原理是，根据样本自身的属性，用数学方法按照某种相似性或差异性指标，定量地确定样本之间的亲疏关系，并按这种亲疏关系程度对样本进行聚类。
聚类分析方法的特征
（1）、聚类分析简单、直观。
（2）、聚类分析主要应用于探索性的研究，其分析的结果可以提供多个可能的解，选择最终的解需要研究者的主观判断和后续的分析。
（3）、不管实际数据中是否真正存在不同的类别，利用聚类分析都能得到分成若干类别的解。
（4）、聚类分析的解完全依赖于研究者所选择的聚类变量，增加或删除一些变量对最终的解都可能产生实质性的影响。
（5）、研究者在使用聚类分析时应特别注意可能影响结果的各个因素。
（6）、异常值和特殊的变量对聚类有较大影响，当分类变量的测量尺度不一致时，需要事先做标准化处理。
在聚类分析中，常用的聚类要素的数据处理方法有如下几种：
①、总和标准化
②、标准差标准化
③、极大值标准化
④、极差的标准化
经过这种标准化所得的新数据，各要素的极大值为1，极小值为0，其余的数值均在0与1之间。距离是事物之间差异性的测度，差异性越大，则相似性越小，所以距离是系统聚类分析的依据和基础。
系统聚类方法的步骤
（1）、对数据进行变换处理；（不是必须的，当数量级相差很大或指标变量具有不同单位时是必要的）
（2）、构造n个类，每个类只包含一个样本；
（3）、计算n个样本两两间的距离；
（4）、合并距离最近的两类为一新类；
（5）、计算新类与当前各类的距离，若类的个数等于1，转到6；否则回4；
（6）、画聚类图；
（7）、决定类的个数，从而得出分类结果。
NLPIR大数据语义智能分析平台主要有精准采集、文档转化、新词发现、批量分词、语言统计、文本聚类、文本分类、摘要实体、智能过滤、情感分析、文档去重、全文检索、编码转换等十余项功能模块，平台提供了客户端工具，云服务与二次开发接口等多种产品使用形式。
各个中间件API可以无缝地融合到客户的各类复杂应用系统之中，可兼容Windows，Linux， Android，Maemo5, FreeBSD等不同操作系统平台，可以供Java，Python，C，C#等各类开发语言使用。
大数据文本聚类能够对大数据文档进行自动梳理，归纳热点趋势，把内容相近的信息归为一类，按照热度进行排名，并自动为该类生成标题和主题词。适用于自动生成热点排行、热门事件识别、热点趋势发现等诸多应用。
七、分类和聚类的核心概念是什么？
1、聚类的概念
聚类是常见的无监督学习算法。人有归纳和总结的能力，机器也有。简单来说，聚类就是让机器把数据集中的样本按照特征的性质分组，在这个过程中没有标签的存在。其目标是，组内的对象相互之间是相似的（相关的），而不同组中的对象是不同的（不相关的）。组内的相似性（同质性）越大，组间差别越大，聚类就越好。
2、深入解读聚类
（1）聚类是一种机器学习技术，它涉及到数据点的分组。给定一组数据点，可以使用聚类算法将每个数据点划分为一个特定的组。
（2）同一组中的数据点应该具有相似的属性/特征，而不同组中的数据点应该具有高度不同的属性/特征。
（3）聚类是一种无监督学习的方法，是许多领域中常用的统计数据分析技术。
（4）聚类与分类的不同在于，聚类所要求划分的类是未知的。
（5）聚类分析是一种探索性的分析，在分类的过程中，人们不必事先给出一个分类的标准，聚类分析能够从样本数据出发，自动进行分类。聚类分析所使用方法的不同，常常会得到不同的结论。不同研究者对于同一组数据进行聚类分析，所得到的聚类数未必一致
八、聚类方法分类的目的是？
1、与多元分析的其他方法相比，聚类分析是很粗糙的，理论尚不完善，但由于它成功地应用于心理、经济、社会、管理、医学、地质、生态、地震、气象、考古、企业决策等，因此成了多元分析的重要方法，统计包中都有丰富的软件，对数据进行聚类处理。
2、聚类分析除了独立的统计功能外，还有一个辅助功能，就是和其他统计方法配合，对数据进行预处理。
例如，当总体不清楚时，可对原始数据进行聚类，根据聚类后相似的数据，各自建立回归分析，分析的效果会更好。同时如果聚类不是根据个案，而是对变量先进行聚类，聚类的结果，可以在每一类推出一个最有代表性的变量，从而减少了进入回归方程的变量数。
3、聚类分析是研究按一定特征，对研究对象进行分类的多元统计方法，它并不关心特征及变量间的因果关系。分类的结果，应使类别间个体差异大，而同类的个体差异相对要小。聚类效果的检验：
1、聚类分析后得到的每个类别是否可以进行有效的命名，每个类别的特征情况是否符合现实意义，如果研究者可以结合专业知识对每个聚类类别进行命名，即说明聚类效果良好，如果聚类类别无法进行命名，则需要考虑重新进行聚类分析。
2、使用判别分析方法进行判断，将SPSS生成的聚类类别变量作为因变量(Y)，而将聚类变量作为自变量(X)进行判别分析，判别分析具体分析聚类变量与类别之间投影关系情况，如果研究人员对聚类分析效果非常在乎，可以使用判别分析进行分析。
3、聚类分析方法的详细过程说明，描述清楚聚类分析的科学使用过程，科学的聚类分析方法使用即是良好结果的前提保障。
是、聚类分析后每个类别样本数量是否均匀，如果聚类结果显示为三个类别，有一个类别样本量非常少，比如低于30，此时很可能说明聚类效果较差。针对聚类效果的判断，研究者主要是结合专业知识判断，即聚类类别是否可以进行有效命名。
