科学网 › 标签 › vosviewer

标签: vosviewer

相关帖子	版块	作者	回复/查看	最后发表

没有相关内容

相关日志

核心作者和作者共现: wault511 2019-4-13 23:43; 关于核心作者的界定普莱斯理论，核心作者群作者发文的下限使用N来确定，其中 N为核心作者发文篇数的下限；n max 为最高产作者发文数。疑问： 1. 在计算核心作者的分界值N时，采用的是第一作者，还是所有参与作者？ 2.在很多文献中，分析作者合作网络时，采用的是所有参与作者进行分析，然后以发文频次或连接度为节点大小，进而说明，最大节点为核心作者群的领导者，这是否合理？假设AB两人，A作为第一作者发表了5篇论文，而B作为A论文的第二作者，发文频次：A=B=5，连接度：A=B=1；但此外，B还分别和C、D两个人合作，同样是作为第二作者，发文频次：B=7A=5；连接度：B=3A=1，不管是以发文频次还是连接度，B的节点大小肯定是要大于A的，那么是否可以说ABCD这个研究群体，是以B为核心呢？; 个人分类: 文献计量|6864 次阅读|0 个评论

VOSviewer的中文乱码问题: 热度 1 wault511 2019-4-4 00:32; 一直嫌NetDraw画的图太简陋，就想了个办法，因为VOSviewer不能调节Node位置，所以就先在NetDraw里先调整好节点位置，把NetDraw里的图，导出成Pajek格式的net文件，再导入VOSviewer里面，生成的作者共现图效果还不错。可是在处理机构合作共现的时候，问题出来了，中文乱码了，选择SansSerif，给了个惊喜，出来了阿拉伯文不知道有没有人遇到过这种问题的，该如何解决呢; 6916 次阅读|1 个评论

文献计量: Guchangjun 2018-1-20 15:53; vosviewer在处理知网数据有点麻烦，主要是格式问题，我的做法是先导出为endnote格式，再在endnote中导出为所需格式进行分析，图看上去还挺漂亮。; 1914 次阅读|0 个评论

如何用VOSviewer分析CNKI关键词共现？: 热度 3 wshuyi 2018-1-5 10:05; 用VOSviewer尝试CNKI中文文献关键词共现（keyword co-occurence）分析时，你可能会踩到一个大坑。本文帮助你绕开这个坑，或是从坑里爬出来。疑惑在《如何用VOSviewer分析CNKI数据？》一文中，我们提到了如何用VOSviewer可视化分析CNKI文献。依照文中的步骤，我们从CNKI下载并导出《图书情报知识》期刊2016年全年文献数据，通过Endnote作为中转，最终导出了VOSviewer可以读取的RIS文件。我把这个几经辗转得来的RIS文件存放到了这里，你可以直接下载使用。利用该数据文件，我们用VOSviewer分析合作者(Co-authorship)，做出了这张图。有的读者很兴奋，立即打算用同样的方法，做CNKI中文文献的关键词共现分析(keyword co-occurence)。很快，他们就遇到了问题。因为用样例数据，虽然可以做出分析结果图，却是这个样子的：图里面只有关键词，没有任何关键词之间的连接。这叫什么共现分析？！有读者很沮丧地把这幅图发给了我。问我这是否意味着，VOSviewer 不能胜任中文文献的关键词共现分析？当然不是。 VOSviewer做的是统计和可视化。对于它来说，中文和英文关键词没有本质区别。只要来源数据处理得当，分析的结果都应该是正确的。那么问题究竟出在哪里呢？原因我们用样例数据，重新走一遍流程。复现读者遇到的困境。 VOSviewer主界面里，我们选择File - map - create，新建一个分析图。第一个对话框问我们映射方式。我们从中选择第二项。然后新弹出的对话框会询问分析源文件的格式。我们选择RIS。下面的对话框，询问分析类型。默认是合作者分析（Co-authorship）。我们选择关键词共现分析（Co-occurence）。然后VOSviewer询问我们阈值的选择。注意默认的阈值为3，可是这样只有3个关键词满足阈值。最终的图上如果只有3个节点，就太稀疏了。于是我们降低阈值到1。 VOSviewer提示我们，通过阈值过滤的关键词有83个。我们选择下一步。这时可以看到全部关键词列表。我们可以从中选择或者反选关键词做分析。但是此处别着急进行下一步。我们看到了非常奇异的现象。注意图中列表的最后一列，是连接强度，也就是这一行的关键词与其他关键词共同出现的总次数。默认从大到小排列，可是所有的关键词共现次数居然都是 0次。难怪我们点击下一步的时候，会出现关键词节点间，全无链接。为什么关键词同时出现次数分析值都是0呢？难道每篇论文只有1个关键词？关键词之间从来没有同时出现过？这不符合常识。我们发表期刊论文或者写毕业论文时，一般情况关键词至少也要列出3个吧。带着这样的疑惑，我们就要检查一下RIS源文件了。以其中的第一篇《信息素养的历史与实践之旅》为例，我们看到关键词一共有3个，分别为“信息素养”、“行动素养”和“行动素养联盟”。如何识别它们是关键词呢？因为前面有个 KW - 前缀作为标志。然而问题来了，我们看到作者信息部分，每个作者名字前，都有 AU - 前缀。 AU - G.Zurkowski, Paul AU - V.Kelly, Jeffrey AU - 刘千卉 AU - 程璐可是关键词这里，除了第一个有 KW - 前缀，其他都没有。 KW - 信息素养行动素养行动素养联盟会不会是因为这个缘故，导致合作者分析链接正常，而关键词共现分析链接消失呢？我们做个实验，验证一下咱们的猜测。实验的方法很简单。我们把第一篇文献的另外两个关键词之前，都加上 KW - 前缀。其他文献的关键词不做任何处理。修改后的RIS文件，就成了这样子：我们回到VOSviewer，重新分析。前面的步骤和上一节完全一致。直至最后一步。我们非常明显地对比出，关键词总链接强度（Total Link Strength）一项发生了变化，有几个关键词，不再是0了。发生改变的这几个关键词，恰恰是刚才添加过前缀的那几个。这个简单的实验，验证了我们的猜测。并不是VOSviewr的处理能力有缺失，而是中文文献元数据，经由Endnote导出为RIS格式的时候有纰漏，导致多关键词的前缀没有全部正确添加。效率问题找到了。下面我们该怎么办？很简单，把所有关键词的前缀都添上就好了啊。你可能立即觉得天旋地转。把前缀都添上？说得轻巧！样例数据里，文献有数十篇。一篇篇找关键词，添加前缀，虽然会做个头晕脑涨，但毕竟还有个盼头儿。问题是，要分析的文献有好几千篇。都添完的时候，是不是下学期都该开学了？也没那么夸张了。想想愚公移山，精卫填海……先贤的精神力量还不够给你以感召吗？精神固然要有，但效率也是要追求的。我们当然不能一条条手动查找关键词并添加前缀，那样效率太低。我们要用工具来自动化解决这个问题。好消息是，工具我已经帮你编写好了。下面我详细告诉你，该怎么使用。工具我帮你编写的工具，是个Python脚本。我们需要安装Python运行环境Anaconda，来使用这个脚本。请到这个网址下载最新版的Anaconda。下拉页面，找到下载位置。根据你目前使用的系统，网站会自动推荐给你适合的版本下载。我使用的是macOS，下载文件格式为pkg。下载页面区左侧是Python 3.6版，右侧是2.7版。请选择2.7版本。双击下载后的pkg文件，根据中文提示一步步安装即可。安装好Anaconda后，我们来下载脚本。我把脚本存储在了 Github项目里。请从这个位置下载压缩包。下载后解压到本地，这个目录就是咱们的演示目录。请进入终端（macOS或者Linux），用cd命令进入到这个目录。如果你用的是Windows，请运行Anaconda Prompt程序，并进入该目录。下面，请执行以下命令。 python ris-add-kw-prefix .py tsqbzs .ris 如果你要尝试处理自己的RIS文件，请把它拷贝到这个演示目录里面，然后把上面命令语句中最后部分（文件名）改成你自己的RIS文件。执行后，你会发现目录下多了一个文件，叫做output.ris。我们打开这个新生成的RIS文件。可以看到，所有的未加前缀的关键词，都已经自动添加了前缀。我们尝试将这个output.ris输入到VOSviewer，这次的分析结果列表如下：这时候再看关键词链接数量，就合理多了。利用这个分析结果来可视化，你会看到以下生成的图形：在这个样例中，我们只有几十篇文献。利用脚本处理前缀，显得有些大炮轰蚊子。但如果你需要处理几千、几万篇文献的记录信息，用这个脚本也一样可以瞬间完成操作。效率的差别就体现得淋漓尽致了。好了，到这里为止，你已经了解如何利用咱们编写的工具，对Endnote导出的中文文献做关键词处理，在VOSviewer中正确分析关键词共现了。目标达成。如果你对原理和技术细节不感兴趣，下面就可以跳到小结部分了。如果你还没走，我来猜猜你在想什么。这么高效的处理方法，是不是令你感觉不可思议？老师你的工具至少有300行语句吧？没有。其实程序从头到尾，只有20多行。而其中的核心部分，只有3行。老师动用了什么黑魔法？！魔法我当然不会魔法。我们使用的，是计算机最简单的能力——根据指令，重复执行枯燥劳动。从第一行开始，依次检查每一行的文字。如果该行不是空行，而且其中不包含前缀连接符号“-”，那么我们就将其当成未加前缀的关键词。我们让计算机在这行文字的最前面，加上 KW - 前缀。就是这么简单，一点也不炫酷。但是计算机怎么理解“不是空行”、“不包含符号‘-’”呢？请看我们Python文件中的核心函数代码。 def add_kw_prefix (data) : regex = r^( +?)\\s+$ subst = KW - \\\\1 newdata = re.sub(regex, subst, data, 0 , re.MULTILINE) return newdata 我们用到的工具，叫做正则表达式（regular expression），简称re。它是计算机处理文本模式的一种经典工具。我们之前谈到机器学习的时候，曾经说过。机器学习模型，是人不知道怎么描述规则的时候，让计算机自己学。而正则表达式，则恰恰相反，是人类可以很准确地描述规则时，为机器定义的模式。正确定义模式后，计算机就会检查文本中是否包含这种模式，并且做出对应的处理。正则表达式的功能非常强大，不过学起来需要花一番功夫。如果你对正则表达式感兴趣，希望自己也能操纵计算机程序，对文本精确地做出模式识别与处理，可以参考DataCamp上的这篇教程来学习。小结通过本文，希望你已经了解了以下内容： VOSviewer可以正确处理中文文献的关键词共现分析； CNKI文献元数据经由Endnote导出成RIS时，关键词处理有瑕疵，需要添加对应前缀；你可以利用我提供的Python脚本，来快速完成前缀添加工作；正则表达式的使用，可以有效提升大规模文本模式匹配与处理操作的效率。讨论用本文的方法，你做出了正确的CNKI文献关键词共现分析了吗？在此之前，你是如何处理关键词共现分析的？有没有什么更加简便高效的方法？欢迎留言，把你的经验和思考分享给大家，我们一起交流讨论。如果你对我的文章感兴趣，欢迎点赞，并且关注我的专栏，以便收到后续作品更新通知。如果本文可能对你身边的亲友有帮助，也欢迎你把本文通过微博或朋友圈分享给他们。让他们一起参与到我们的讨论中来。; 35110 次阅读|3 个评论

如何用VOSviewer分析CNKI数据？: wshuyi 2017-11-12 21:13; 学会了用VOSviewer分析Web of Science数据后，想不想知道如何用它分析中文文献？本文用CNKI数据做样例，一步步教你实现步骤。疑问自从写了《如何快速梳理领域文献》一文后，不少读者留言或者来信问我一个问题：如何可视化分析中文文献呢？我之前没有用VOSviewer做过中文文献的梳理，所以还真不知道VOSviewer是否有这个功能。但是我在博士毕业论文里用Citespace分析过中文文献，所以就用我最有把握的答案做了答复。不过，随着问这个问题的人越来越多，我也来了兴趣：VOSviewer到底能否分析中文文献数据呢？怀疑的原因，是因为之前在网上查资料时，看到的好像都是英文分析结果。而且VOSviewer的作者都是外国人，所以我不确认它对中文文献是否友好。于是，我决定验证一下。验证的方法，不是直接拿软件来尝试，而是查文献。验证有句话，叫“在有鱼的地方钓鱼”，我觉得是至理名言。如果有人用VOSviewer做过中文文献分析，你觉得这样的结果更可能在哪里出现呢？新闻？博客？……不，一定是科研论文，而且是中文论文里。我们到CNKI数据库里找找看。在CNKI首页，以“VOSviewer”作为主题词检索。获得了以下结果。看来将VOSviewer作为研究工具的论文还真不少呢。我们从标题寻找其中更有可能使用中文文献数据的论文，于是找到了这篇《2010年中国档案学研究热点的知识图谱分析》。看了摘要，确认该文使用中文期刊数据，分析工具为VOSviewer。于是我们下载原文看看。在文中显著位置，我们看到了这幅图。这幅图说明，VOSviewer不仅支持中文文献分析，而且至少从2011年就支持了。好了，我们的疑惑解决了——VOSviewer可以分析中文文献数据。自然地，下一个问题就是：该怎么做呢？数据第一步当然是收集数据。我们继续使用CNKI。这次我们以“图书情报知识”（情报学领域核心期刊之一）作为“文献来源”检索词搜索。获得的结果，有4700多条。我这里连接网速不够快，4700多条文献记录都下载下来，需要很久。咱们精炼一下，只选择2016年的数据。 2016年的记录，一共有101条。我们每次50条，不断翻页，全部勾选。勾选完毕后，选择“导出/参考文献”。在屏幕的左侧，我们可以看到不同的导出类型。问题来了，该导出哪一种呢？这时我们打开VOSviewer，瞄一眼，看VOSviewer可以接受哪些格式。这里我们看到了Web of Science, Scopus, PubMed, RIS等格式。我们的目标，是取CNKI导出格式，与VOSviewer导入格式的交集。结果令人很苦恼——交集为空。到这里，我大概知道为什么这么多读者发问了。不少人可能在CNKI上做到了这一步，然后就不知道该怎么办了。其实你不必焦虑。因为文献记录格式之间，是可以转换的。我们选择其中的Endnote格式，导出。根据提示，存储导出的txt文件。我们打开这个文本文件，看看内容。经检验，数据完整导出。下面我们就要尝试格式转换了。转换我们的目标，是把数据转化为VOSviewer可以支持的格式类型。我们打开Endnote。从主菜单里，选择“导入(Import)”。在弹出的窗口里，浏览并找到我们刚刚从CNKI导出的txt文件。注意，此时不要直接导入文本文件，否则导入结果是空的。我们需要调整一下选项。点击文件浏览窗口左下角的“Option”。点击其中的第一项，可以看到许多选项。Endnote作为老牌的文献管理工具，支持的数据格式很丰富。选择“Endnote Import”。这样Endnote才知道，我们导入的，是Endnote自己的交换格式。点击确定后，你就能看到100余篇文献正确导入进来了。我们在这里对文献做粗略筛选。略去“卷首语”和重复文章，同时略掉没有作者的（一般是征稿启示等内容）文章。筛选后的文献选中，选择“导出”（Export）。 Endnote会提示我们导出的选项。我们把输出的文件名设定为有意义的名称。注意要把“Output Style”选择为“RIS”格式。如果你的菜单里面没有“RIS”格式，可以先选择“Select another Style”。然后你会看到许许多多的导出格式选项，下拉列表到“R”开头的区域，找到“RIS”。选择后，“RIS”就被添加进来了。默认导出文件扩展名是txt。我们将其修改为ris，以方便VOSviewer识别。我们打开RIS文件看看内容：可以看到，元数据都被保留，但是组织格式发生了变化。至此，利用Endnote转换文献记录格式环节顺利完成。我们终于可以愉快地分析CNKI文献了。分析在VOSviewer中选择“Create”。会弹出以下对话框。我们选择第二项。然后我们需要选择导入文献的类型和位置。点击“RIS”标签页，利用文件选择器，定位到刚刚Endnote导出的RIS文件上。下面选择分析类型，我们选择作者共现(Co-authorship)分析。因为文章篇数太少，我们不得不把阈值定低一些。弹出的对话框里，我们可以依据实际情况，把某些记录过滤掉。这里我们选择保持不变。执行后，就能看到Co-authorship分析结果了。我们放大结果图，看看细节。图中中文显示一切正常。至此，咱们利用VOSviewer分析CNKI文献记录的演示完成。小结回顾一下，本文主要介绍了以下内容：我们确认了VOSviewer不止可以分析英文文献，也可以分析中文文献；验证猜想，需要找证据。找证据的关键，是在最可能的地方着手搜索和挖掘；文献记录的格式多种多样，但是其间大多是可以转换的。Endnote作为桥梁，可以帮我们把CNKI的导出结果转换为VOSviewer需要的RIS格式。讨论读过本文后，你是否了解如何用VOSviewer分析中文文献数据？你之前做中文文献可视化分析时，用过不同的方法吗？它们是否更有效和便捷呢？欢迎留言，把你的经验分享给大家，我们一起交流讨论。这里给你留个思考题：如果要做引文分析，CNKI的数据可以吗？希望你能亲自动手尝试一下，把结果反馈给我。如果你对我的文章感兴趣，欢迎点赞，并且微信关注和置顶我的公众号“玉树芝兰”(nkwangshuyi)。如果本文可能对你身边的亲友有帮助，也欢迎你把本文通过微博或朋友圈分享给他们。让他们一起参与到我们的讨论中来。; 11573 次阅读|0 个评论

如何快速梳理领域文献？: 热度 5 wshuyi 2017-10-8 17:22; 本文为你介绍一款文献可视化工具，帮助你轻松高效地筛选领域重要文献。切记学问须下真功夫，千万不要用它来偷懒啊。烦恼给研究生上课的时候，有一回的作业，是让他们就某一个具体领域做文献分析。这个作业基本上就没有完满而愉快地完成过。学生们常见的做法是拿一个关键词去文献数据库里面搜索。如果得到的结果是个位数，则大喜过望。把文献都下载下来，一一阅读，然后手动做个统计图表，展示出来。如果搜到的文献数量超过3位数，学生们的做法往往是双手一摊，告诉我：“老师，文献太多了。读不过来，就没做。要不然您告诉我哪几篇文献重要？我马上去看，下周展示。” 我时常被这种创意答案气乐了。实际上，这个任务训练学生将来做毕业论文时如何综述文献。他们的答案并不全错。大部分情况下，你找到一个想法，一个问题。只要一搜索，就会发现相关文献如长江之水滚滚而来。把全部文献都看一遍，基本上是不可能的。即便把存量看完，数量更多的增量文献又涌了出来。你很快会陷入深度抑郁。正如《庄子·内篇·养生主》里说：吾生也有涯，而知也无涯。以有涯随无涯，殆已！你的时间和注意力是有限而珍贵的。因此你必须对文献歧视对待，选择重点文献来阅读。大部分文献都会被你丢弃不读或者只是扫读 (skimming)，你大可不必为此羞愧甚至自责。哪些文献是重点文献呢？这个问题你必须学会自己解决。而不能坐在那里等着老师喂给你标准答案。精华学术期刊、会议和大部头著作构成的知识大网，跟你熟悉的网络论坛没有什么实质区别。常逛论坛的话，你应该对如何选择阅读内容有很深刻的体会。常见的做法是去找那些精华帖和热帖先来看。精华帖很重要，因为其质量被高度评价、而且推荐。热帖未必质量好，可能只是当下人们关心的某个话题；或者作者的某些提法极富争议，因而吸引眼球。更常见的，只是纯粹的“标题党”而已。一般论坛都会有专人来负责维护，去粗取精。然而学术文献里哪篇是精华？你就很难直接看标签来识别了。怎么办呢？最简单的办法是把文献之间的关系可视化。这样，你就可以看见哪一个主题（文献）下面回复（引用文献）的人更多，或者帖子的主题（文献聚类）有哪些。有了这些线索，你就可以在浩如烟海的检索结果里锁定那些重点文献了。工具这个工作，当然可以手动来做。拥有方便的计算机辅助工具之前，这可能也是不得已的唯一办法。但是，现在如果你还去手绘，效率就太低了。文献可视化工具有很多。从功能和易用性综合权衡，推荐 VOSviewer 。第一步，需要采集感兴趣的全部文献。采集某个领域文献的时候，应该找一个合适的入口。其中储存的文献信息不仅要全面，而且文献间的引用关系也得完整保留。常见的入口包括 Scopus 和 Web of Science 。注意这两个平台都有访问权限控制和单次下载文献信息的最大数量。请使用校园网IP地址登录操作，根据需要下载文献信息，并存储为合适的格式。为了VOSviewer可以正确打开，请选择用TAB分割的文本方式，文献记录要包含全部字段和引用信息。然后你就可以在VOSviewer中进行分析了。例如你可以选择生成术语地图(term map)。不同主题的文献会自动聚类，用不同颜色表示类别，文献之间的关联一目了然。有的主题词汇比其他的词汇更大，这表示了相关文献数量的多寡。一下子，你就能找到在你关心的“论坛”里面，哪些主题是人们更感兴趣的。你可以放大细节，了解某一个主题内部具体术语之间的关联，以把握更为细致的脉络。拓展主题只是文献多种描述标记中的一种而已。因为在采集数据阶段，我们保存了全部的元数据。因此，你可以分析更多自己感兴趣的角度。假如你关注期刊的联系，那么不妨采用共引(co-citation)关系来看期刊之间的关联网络。不同领域的期刊采用不同颜色标记。你会清楚看到不同领域期刊之间是如何发生联系的。如果你的观察角度更为宏观，还可以用作者们所在国家作为节点，看不同国家作者间的合作关系。这张图很明显告诉我们，当今的科研活动早已不是闭门造车、独立发展了。与国际学术界的协作关系越紧密，获益就越多。看看那些大节点的位置和链接数量便一目了然。教程如果你感兴趣的话，请阅读以下参考资料，一步步学习如何使用VOSviewer： VOSviewer教程。 VOSviewer分析样例图。 VOSviewer相关论文列表。如果你是个视频学习者，可以看VOSviewer作者的官方视频教程。作者的英语口音有些重，但是内容绝对权威而清晰。如果你偏好中文视频资源，这里刚好有一份教程。是选修我课程的研究生用工作坊模式完成的。希望对你能有帮助。讨论除了VOSviewer，你还知道哪些文献可视化工具？相对VOSviewer，它们有哪些优势和不足？欢迎留言，分享给大家，我们一起交流讨论。如果你对我的文章感兴趣，欢迎点赞，并且微信关注和置顶我的公众号“玉树芝兰”(nkwangshuyi)。如果本文可能对你身边的亲友有帮助，也欢迎你把本文通过微博或朋友圈分享给他们。让他们一起参与到我们的讨论中来。; 16544 次阅读|10 个评论

VOSviewer&CiteSpace:WoS数据清洗之如何将作者简写替换为全名？: 热度 3 sky613 2016-11-13 15:08; 一、作者字段分析存在的问题从 WoS 数据库下载的数据，作者字段有两种，分别是 AU 和 AF,AU 是作者名字的简写，AF是作者全名，如“王欣”，在 AU 字段表示为 Wang, X 而在 AF 字段表示为 Wang, Xin ， CiteSpace 和 VOSviewer 在统计作者名字的时候默认统计 AU 字段，而不考虑作者 ID ，那么这就存在一定的问题，如软件统计出来 Wang, X 出现频次为 20 次，但“ Wang, Xin ”本人可能只发文 10 篇，原因就是软件把 Wang, Xing ； Wang, Xin ； Wang, Xiao 等作者全部统计为 Wang, X ，这时统计出来的数据就没什么信效度了。设想如果软件对 AF 字段也就是 Wang, Xin 进行统计，那么在很大程度上就可以避免重复，得到的数据就会有很高的可信度。二、本博文，针对此问题，做出如下设想：可否让软件统计 TXT 中的 AF 字段？三、经博主实践，得出如下解决方案： 1. 先将 AU 替换其他符号或字母（ TXT 中绝对没有的，如美元符号 ” $ ” ） 2. 将 AF 替换为 AU 3. 将第一步中代替 AU 的符号或字母替换为 AF. 四、具体操作如下： 1. 打开 TXT （建议用 Notepad++ 软件打开，可在本博客主页下载）见下图 2. 选中全部数据( 快捷键 Ctrl A ) ，进入查找和替换界面（快捷键 Ctrl F ），点击替换 3. 在查找目标栏输入 AU ，替换栏输入 $ , 点击全部替换。 4. 在查找目标栏输入 AF ，替换栏输入 AU , 点击全部替换。 5. 在查找目标栏输入 $ ，替换栏输入 AF , 点击全部替换。这样一个 TXT 的作者 AU 和 AF 替换就完成了最后记得保存 ---- 点击保存按钮或快捷键 Ctrl S 前后对比：整理人：华东师范大学李京哲; 17188 次阅读|3 个评论

VOSviewer:Type of Analysis & Three Visualizations: 热度 2 sky613 2016-10-30 19:44; VOSviewer1.6.5 Type of Analysis(WoS) 1.Network Visualization 2.Overlay Visualization 3.Density Visualization Data： https://pan.baidu.com/s/1jIufaei 整理人:华东师范大学李京哲; 5761 次阅读|2 个评论

VOSviewer生成的几张图: jokerdong 2016-10-30 10:59; 6217 次阅读|0 个评论

VOSviewer : 对WoS数据关键词字段的分析: 热度 1 sky613 2016-10-23 16:50; VOSviewer所需要的WoS数据格式同CiteSpace相同，视频中以关键词字段为例，进行作图。软件版本：VOSviewer1.6.5 视频链接： http://v.youku.com/v_show/id_XMTc3MTQwOTI4OA==.html 访问密码:sky 整理人：华东师范大学李京哲; 17518 次阅读|1 个评论

Version 1.6.4 of VOSviewer: rbwxy197301 2016-4-9 11:24; Version 1.6.4 of VOSviewer has been released and is available at www.vosviewer.com . In addition to a number of minor improvements and some bug fixes, this version includes the following new features and enhancements:（除了一些小的改进和bug修复外，这个版本还增加了一些新的功能） Citation networks. Functionality has been added for creating direct citation networks based on Web of Science and Scopus files. （引文网络：可以处理Wos，Scopus文档，生成直接引文网络） Keyword co-occurrence networks. Functionality has been added for creating keyword co-occurrence networks based on Web of Science, Scopus, and PubMed files.（关键词共现网络：可以基于 Wos，Scopus、PubMed文档生成关键词共现网络） Support for RIS files. Functionality has been added for creating co-authorship, keyword co-occurrence, and term co-occurrence networks based on RIS files. The RIS file format is supported by for instance Mendeley, BibSonomy, Zotero, and Publish or Perish.（支持RIS文档格式：基于RIS文档生成作者合作、关键词共现、术语共现网络。RIS文档可以来源于： Mendeley, BibSonomy, Zotero, and Publish or Perish ） Automatic layout parameters. When creating a new map, the parameters of the layout technique can automatically be set to appropriate values.（自动布局参数。当生成一个新的图形时，布局参数能够生成生成准确的参数值） Improved user interface. A number of user interface improvements have been made.（改善了用户界面：用户界面有了一系列改进。）利用软件下载时自带的示例文档，得到了以下图形：图1 期刊引用网络图（已聚类，点的大小与被引次数大小相关；颜色代表其属于哪一个聚类；连线的粗细代表期刊归一化或不归一化的链接强度）图2 期刊引用网络图（点的大小与被引次数相关；点的颜色根据其SCORE变化，SCORE大小指期刊的影响因子） item密度可视化期刊密度可视化其它功能暂时还没有尝试; 个人分类: 科学计量学|4928 次阅读|0 个评论

VOS的一点小尝试: 热度 2 chiyanbing 2013-3-23 18:16; 今天用VOSviewer进行的一点专利分析尝试！; 3993 次阅读|7 个评论

更多...

帐号		自动登录	找回密码
密码			注册

关闭 安全验证

标签: vosviewer

相关帖子

相关日志

关闭安全验证