14.2.6.1　数据预处理

很多数据集都采用表格格式，大多数网络可视化工作至关重要的一步便是从这些表格中抽取出网络。Sci2提供各种各样的网络提取算法用于实现此目的。“Extract Co-Occurrence Network”算法可用于从包含多种值的列表中提取网络^[24]。“Extract a Directed Network”算法^[25]能在数据类型相同的两列数据间创建网络。通过提供诸如“Extract Co-Author Network”^[26]“Extract Word Co-Occurrence Network”^[27]以及“Extract Reference Co-Occurrence（Bibliographic Coupling）Network”等算法^[28]，Sci2工具使专用于文献计量学分析的共现网络的抽取更加简便。对于不同数据类型的两列数据，可使用“Extract Bipartite Network”算法^[29]。

14.2.6.2　数据分析

Sci2提供大量各种各样的网络分析算法，这些算法可用于分析有向或无向网络，有权值或无权值网络。现有的所有网络分析算法都可在Sci2维基百科第3章第1节“Sci2算法和工具”中找到^[30]。网络分析有两个非常有趣的算法：PageRank算法和Blondel社区检测算法（也叫Louvain算法）。PageRank算法最初由Google搜索引擎开发，根据相对重要程度对检索结果中检出的网站排序，相对重要程度通过网页链接数量衡量（Brin，Page，1998）^[31]。该算法同样可用于有向网络中对节点按相对重要性进行排序。在Sci2中，有两个版本的PageRank算法，一个用于有向无权值网络，该算法基于入链数对节点的重要性做简单的测算；另一个算法用于有向有权值的网络，该算法基于入链数及链接的权值测算节点的重要性。在大型网络中，两种算法都有助于识别重要节点。“Blondel Community Detection”算法是应用于大型网络的聚类算法^[32]。该算法采用基于模块最优化方法在权值网络中检测社区（Blondel，Guillaume，Lambiotte，Lefebvre，2008）。生成的网络在结构上与前者相同，只是每一个节点都附有一个属性标签“blondel_community_level_x”。图14.5展示了FourNetSciResearchers.isi文件的主题范围，在维基百科上可查看图例以及与图14.8类似的其他信息。

(www.daowen.com)

图14.5　“Map of Science via Journals”

14.2.6.3　数据可视化

Sci2工具提供多种网络可视化方法。虽然Sci2工具自身并不支持网络可视化，但它绑定了GUESS软件，该软件是一款常用的网络可视化程序（Adar，Kim，2007）。对于已经安装Gephi软件（Bastian et al.，2009）的用户，Sci2提供了与Gephi的接口，允许用户在数据管理器中选择网络，然后运行Gephi，Gephi便会运行选择好的网络文件。Gephi可在http：//gephi.org网站上下载。Cytoscape（Saito et al.，2012）也提供了Sci2工具的插件，进一步增加了网络可视化的选项。Cytoscape插件可在Sci2维基百科第3章第2节下载^[33]。