教程 · 2026-06-24

网络分析用 AI 一句话完成 — 共现矩阵、社会网络中心性与可视化全攻略

网络分析完整教程：用 AI 一句话完成共现矩阵构建、度/中介/接近中心性计算、社区检测与网络可视化，自动输出 APA 7th 格式报告，覆盖 SPSS、R（igraph/statnet）、Stata 三引擎。

共现关键词频率矩阵、社会网络中心性指标、Louvain 社区检测——这类分析在传统软件里要写几十行代码。这篇教程教你用 AI 一句话跑完整个流程，度中心性、中介中心性、接近中心性三大指标 + 可视化图，60 秒全齐，输出可直接粘贴进论文的 APA 7th 句式。

为什么网络分析让研究者头疼

网络分析（Network Analysis / Graph Analysis）是社会科学、传播学、信息学、生物医学等领域的主流方法。它把研究对象抽象成节点（Node），把对象之间的关系抽象成边（Edge），然后通过拓扑指标揭示隐藏结构。

然而在实际操作中，研究者面临三重门槛：

第一重：数据转换 原始数据通常是"共现频次表""关注/被关注列表""引文矩阵"，需要先转成邻接矩阵（Adjacency Matrix）或边列表（Edge List）才能导入分析软件。格式转换出错是最常见的卡点。

第二重：指标选择 度中心性（Degree Centrality）、中介中心性（Betweenness Centrality）、接近中心性（Closeness Centrality）、特征向量中心性（Eigenvector Centrality）……各指标含义不同，场景不同，混用会导致结论错误。

第三重：可视化 R 的 igraph/ggraph、Python 的 NetworkX、Gephi——每个工具的参数体系都不一样，光是调节点颜色、边粗细就要折腾半天。SPSS 官方版本本身没有原生网络可视化模块，需要借助扩展或 R 桥接。

ChatSRS 把这三重门槛压到一句话。

网络分析核心概念速查

图的基本类型

类型	含义	典型场景
无向图（Undirected）	边无方向，A-B 等于 B-A	共现关系、合作网络
有向图（Directed）	边有方向，A->B 不等于 B->A	引用关系、信息传播
加权图（Weighted）	边有权重，表示关系强度	共现频次、交流频率
二部图（Bipartite）	节点分两类，仅跨类连边	作者-关键词网络

三大中心性指标

度中心性（Degree Centrality, DC）

$DC_i = \frac{k_i}{n - 1}$

其中 $k_i$ 是节点 $i$ 的度（连接边数），$n$ 是网络总节点数。DC 衡量一个节点直接连接了多少其他节点，反映局部影响力。

有向图中分为入度中心性（In-Degree）和出度中心性（Out-Degree）
DC 越高，节点在局部越活跃、越"热门"

中介中心性（Betweenness Centrality, BC）

$BC_i = \sum_{s \neq t,, s \neq i,, t \neq i} \frac{\sigma_{st}(i)}{\sigma_{st}}$

其中 $\sigma_{st}$ 是节点 $s$ 到节点 $t$ 的最短路径总数，$\sigma_{st}(i)$ 是经过节点 $i$ 的最短路径数。BC 衡量一个节点在多大程度上充当信息桥梁或关键枢纽。

BC 高的节点是"信息经纪人"（Broker），控制着网络中的信息流
移除高 BC 节点对网络连通性破坏最大

接近中心性（Closeness Centrality, CC）

$CC_i = \frac{n - 1}{\sum_{j \neq i} d(i, j)}$

其中 $d(i, j)$ 是节点 $i$ 到节点 $j$ 的最短路径长度。CC 衡量一个节点到达网络中所有其他节点的平均速度，反映信息扩散效率。

CC 越高，节点越处于网络"中心位置"，信息传播越快
不连通图需用 Wasserman & Faust (1994) 的归一化公式处理

三大指标联合解读逻辑：DC 高 + BC 高 + CC 高 = 核心枢纽节点；DC 低 + BC 高 = 中介桥接节点（边缘连接者）；DC 高 + BC 低 = 局部集群中心（Star Hub）。

网络整体指标

指标	含义	报告场景
平均路径长度（APL）	任意两节点间最短路径均值	衡量网络"小世界"程度
聚类系数（Clustering Coefficient）	节点邻居之间互连的比例	衡量局部聚集程度
网络密度（Density）	实际边数 / 最大可能边数	衡量连接紧密程度
模块度（Modularity Q）	社区结构强度，范围 [-0.5, 1]	Q > 0.3 通常认为有显著社区结构

案例数据：学术文献关键词共现网络分析

研究背景

某研究团队收集了 2020-2024 年 SCI 期刊中关于"人工智能在医疗决策"领域的 320 篇文献。每篇文献的关键词已提取，共得到 156 个唯一关键词。研究目标：

构建关键词共现网络，识别高中心性关键词
检测研究主题的社区（聚类）结构
可视化网络并报告核心节点指标

数据结构

输入数据为关键词共现频次矩阵（156×156，对称矩阵），或等价的边列表：

keyword_a              keyword_b              co_occurrence
machine learning       clinical decision      87
deep learning          image recognition      74
natural language       electronic health      61
...（共 820 行有效边）

过滤条件：保留共现频次 >= 5 的边，共保留 156 个节点、820 条边的核心网络。

用 AI 一句话完成网络分析

在 chatsrs.com 上传数据后输入：

"我上传的是关键词共现矩阵（156 个关键词，边权重为共现频次 >= 5）。请完成以下社会网络分析：

构建无向加权网络，报告网络整体指标（节点数、边数、密度、平均路径长度、平均聚类系数）

计算所有节点的度中心性、中介中心性、接近中心性，输出 Top 20 节点排名三线表

用 Louvain 算法进行社区检测，报告模块度 Q 值和各社区关键词列表

绘制网络可视化图：节点大小映射度中心性，颜色区分社区，边粗细映射共现频次

输出 APA 7th 格式中文描述"

ChatSRS 调用 R igraph 引擎，60 秒后完整输出。

输出结果怎么读

输出 1：网络整体指标

表 1  关键词共现网络整体特征（N = 156 节点，E = 820 边）

指标                        值
节点数（N）                156
边数（E）                  820
网络密度（Density）        0.068
平均路径长度（APL）        2.34
平均聚类系数               0.412
最大连通分量节点比例       94.2%（147/156 个节点）
模块度 Q（Louvain）        0.447

注：网络密度 = 实际边数 / [N*(N-1)/2]。APL = 2.34 表现出典型小世界特征（Watts & Strogatz, 1998）。

解读要点：

密度 0.068 属于稀疏网络（典型关键词共现网络密度在 0.02-0.15 之间）
APL = 2.34 < 3，结合平均聚类系数 0.412 远高于同等规模随机图（约 0.045），满足小世界网络（Small-World Network）判断标准
模块度 Q = 0.447 > 0.3，说明网络具有显著的社区（主题群）结构

输出 2：Top 20 中心性节点排名

表 2  关键词共现网络 Top 20 节点中心性指标（N = 156）

排名  关键词                   度中心性 DC   中介中心性 BC   接近中心性 CC
1     machine learning         0.852         0.234          0.681
2     deep learning            0.801         0.198          0.665
3     clinical decision        0.743         0.312          0.658
4     natural language proc.   0.698         0.287          0.641
5     artificial intelligence  0.681         0.176          0.634
6     electronic health rec.   0.634         0.341          0.627
7     neural network           0.612         0.143          0.619
8     convolutional neural     0.587         0.089          0.608
9     predictive modeling      0.571         0.267          0.601
10    patient outcome          0.554         0.198          0.594
11    image classification     0.531         0.074          0.583
12    precision medicine       0.512         0.312          0.576
13    feature extraction       0.498         0.063          0.567
14    random forest            0.487         0.051          0.558
15    transfer learning        0.465         0.198          0.549
16    biomarker                0.451         0.289          0.541
17    recurrent neural         0.438         0.042          0.533
18    clinical trial           0.421         0.267          0.524
19    hospital readmission     0.408         0.198          0.516
20    radiology                0.394         0.087          0.507

注：DC、BC、CC 均已归一化至 [0, 1]。排名按 DC 降序排列。

三类高价值节点识别：

类型	判断标准	本例代表	意义
核心枢纽	DC 高 + CC 高	machine learning, deep learning	研究领域的绝对核心主题
信息桥接	BC 最高	electronic health rec. (BC=0.341)	连接不同研究主题群的关键桥梁
主题簇核心	BC 高 + DC 中等	precision medicine, biomarker	特定研究子领域的领袖节点

输出 3：Louvain 社区检测结果

表 3  Louvain 社区检测结果（模块度 Q = 0.447）

社区编号  节点数  代表性关键词（Top 5）                      主题标签
C1        38      machine learning, deep learning,            核心AI技术
                  neural network, feature extraction,
                  convolutional neural
C2        31      clinical decision, patient outcome,         临床决策支持
                  hospital readmission, electronic health,
                  predictive modeling
C3        27      natural language proc., electronic health,  自然语言与文本挖掘
                  biomarker, clinical trial, medical record
C4        24      image classification, radiology,            医学影像分析
                  transfer learning, convolutional neural,
                  object detection
C5        18      precision medicine, biomarker,              精准医学
                  genomics, drug discovery, proteomics
C6        18      其余关键词（边缘/小频次）                  其他

注：各社区主题标签由 ChatSRS 根据关键词语义自动归纳，可在报告中引用或修改。

输出 4：网络可视化说明

ChatSRS 自动生成 Force-Directed Layout（力导向布局） 网络图，输出为高清 PNG（适合论文插图）：

节点大小：正比于度中心性 DC（越大的节点连接越多）
节点颜色：按 Louvain 社区着色（6 种颜色对应 6 个社区）
边粗细：正比于共现频次权重（越粗的边共现频次越高）
边颜色：灰色（无向图标准配色，降低视觉噪声）
标签：仅显示 DC 排名前 20 的节点标签，避免图面拥挤

R 实现引擎：igraph + ggraph（Pedersen, 2022），布局算法：layout_with_fr（Fruchterman & Reingold, 1991）。Stata 引擎调用 nwcommands 扩展包；SPSS 通过 R 桥接（STATS NETWORK 扩展）实现。

论文里怎么报告（APA 7th 格式）

APA 7th 对网络分析的报告尚无专属条目，学界参照的是 Borgatti et al. (2009) 在 Science 上的网络分析报告规范，以及 APA 对一般统计结果的报告要求：必须同时报告效应大小（中心性指标）和置信区间（如适用）。

方法节写法

采用关键词共现网络分析方法揭示研究主题结构。以关键词共现频次（>= 5 次）为边权重，构建无向加权网络（N = 156，E = 820）。使用 igraph 包（Csardi & Nepusz, 2006）计算节点度中心性（DC）、中介中心性（BC）和接近中心性（CC），所有中心性指标均归一化至 [0, 1]（Freeman, 1978）。采用 Louvain 算法（Blondel et al., 2008）进行社区检测，以模块度 Q 评估社区结构强度（Q > 0.3 为显著社区结构，Newman, 2006）。网络可视化采用 Fruchterman-Reingold 力导向布局（Fruchterman & Reingold, 1991），以 ggraph 包（Pedersen, 2022）实现。所有统计分析在 R 4.4 中完成。

结果节（整体网络特征）

关键词共现网络共包含 156 个节点和 820 条边，网络密度为 0.068，平均路径长度（APL）为 2.34，平均聚类系数为 0.412，表现出典型的小世界特征（APL 短、聚类系数高；Watts & Strogatz, 1998）。Louvain 社区检测识别出 6 个主要研究主题社区（含边缘关键词聚合社区 C6），模块度 Q = 0.447，表明网络具有显著的社区结构（Q > 0.3；Newman, 2006）。

结果节（中心性指标）

度中心性最高的节点为 machine learning（DC = 0.852），其次为 deep learning（DC = 0.801）和 clinical decision（DC = 0.743），表明上述关键词在该领域文献中具有最广泛的共现关联（见表 2）。

中介中心性最高的节点为 electronic health records（BC = 0.341），显著高于其他节点，说明该关键词是连接"AI 技术"与"临床应用"两大主题群的关键桥接节点（Freeman, 1978）。clinical decision（BC = 0.312）和 precision medicine（BC = 0.312）次之。

接近中心性最高的节点为 machine learning（CC = 0.681），表明该关键词在网络中信息扩散速度最快，处于结构最优中心位置。

可直接套用的 APA 句式模板

网络整体描述：

[研究对象]共现网络共包含 [N] 个节点和 [E] 条边，
网络密度为 [D]，平均路径长度为 [APL]，
平均聚类系数为 [CC_mean]，
Louvain 社区检测识别出 [K] 个主题社区，
模块度 Q = [Q]（Q > 0.3 表明显著社区结构；Newman, 2006）。

度中心性描述：

度中心性最高的节点为 "[节点名]"（DC = XX），
表明其在网络中具有最广泛的直接连接，
是该领域研究的核心主题节点（Freeman, 1978）。

中介中心性描述：

"[节点名]" 的中介中心性最高（BC = XX），
显著高于其他节点（均值 = XX, SD = XX），
说明该节点在不同研究主题之间充当关键信息桥梁。

效应量参照标准（Freeman, 1978; Borgatti et al., 2009）：

指标	低	中	高
DC（归一化）	< 0.20	0.20-0.50	> 0.50
BC（归一化）	< 0.10	0.10-0.25	> 0.25
CC（归一化）	< 0.40	0.40-0.60	> 0.60
模块度 Q	< 0.30	0.30-0.50	> 0.50

注意：网络分析中没有类似 Cohen's d 的通用效应量标准，上述阈值为文献惯例（参考 Borgatti et al., 2009），实际解读应结合具体研究领域和网络规模。

三引擎实现说明（R / Stata / SPSS）

ChatSRS 根据分析需求自动选择最优引擎：

R 引擎（默认推荐，功能最完整）

核心包：igraph（网络构建 + 中心性 + 社区检测）、ggraph（可视化）、tidygraph（数据操作）
适用：完整网络分析流程，包括中心性、社区检测、可视化
报告格式：与 APA 要求的 igraph 包引用（Csardi & Nepusz, 2006）完全对应

Stata 引擎

核心包：nwcommands（Grund & Densley, 2015）
适用：面板数据背景下的网络分析，或已有 Stata 工作流的研究者
报告中引用：nwcommands + 具体命令名（如 nwcentrality）

SPSS 引擎（通过 R 桥接）

通过 SPSS STATS NETWORK 扩展调用 R igraph
适用：熟悉 SPSS 界面、不希望切换工具的研究者
注意：部分高级可视化功能需在 R 端完成，ChatSRS 自动处理桥接逻辑

常见问题 FAQ

Q1：度中心性、中介中心性、接近中心性哪个最重要？

A：三种中心性回答不同的研究问题，没有高下之分。DC 回答"谁连接最多"（局部影响力）；BC 回答"谁是关键桥梁"（信息控制力）；CC 回答"谁传播最快"（扩散效率）。论文中通常三者同时报告，结合研究目的重点解读某一指标。若只能选一个，传播学/社会学常用 BC 识别意见领袖；文献计量学常用 DC 识别热点主题；疾病传播研究常用 CC 识别超级传播者。

Q2：网络节点几百个，三线表太长，论文怎么处理？

A：论文中通常只报告 Top N（Top 10 或 Top 20）节点，完整列表以附录或在线补充材料形式提供。ChatSRS 会自动输出 Top 20 三线表用于正文，并附完整排名 Excel 文件。方法节中注明"完整中心性指标见在线补充材料表 S1"即可符合期刊规范。

Q3：网络不连通（存在孤立节点）怎么办？

A：孤立节点（度为 0 的节点）会导致接近中心性无法计算（分母为无穷大）。标准处理方式有两种：(1) 仅在最大连通子图（Largest Connected Component, LCC）上计算中心性，方法节注明"分析在最大连通子图（N = XX，占全网 XX%）中进行"；(2) 使用 Wasserman & Faust (1994) 的标准化 CC 公式，该公式对不连通图有修正。ChatSRS 默认策略是前者（LCC 分析），并在输出中报告 LCC 节点比例。

Q4：Louvain 每次运行结果不同，怎么保证可重复？

A：Louvain 算法有随机初始化步骤，不同随机种子可能得到不同（但质量相近）的社区划分，模块度 Q 值可能有微小差异。保证可重复性的方法：设定固定随机种子（set.seed(42)），并在方法节中注明"随机种子设定为 42"。ChatSRS 默认设定 seed = 2024 并在输出中注明，确保结果可复现。若审稿人要求稳定性验证，可告诉 ChatSRS "用不同种子重复 Louvain 社区检测 100 次，报告模块度 Q 的均值和标准差"。

Q5：共现矩阵和邻接矩阵有什么区别？上传哪种格式？

A：邻接矩阵（Adjacency Matrix）是网络分析的标准表示，元素为 0/1（无权图）或边权重（加权图）。共现矩阵是邻接矩阵的一种特殊形式，元素为共现频次，天然是加权对称邻接矩阵。ChatSRS 同时支持三种数据格式：(1) 方形共现/邻接矩阵（CSV，含行/列标题）；(2) 边列表（三列：节点 A、节点 B、权重）；(3) 原始文档/列表（ChatSRS 自动提取共现关系构建矩阵）。上传任意一种格式，在指令中说明格式即可。

小结

网络分析的核心价值在于揭示数据中的关系结构——谁是中心、谁是桥梁、哪些节点形成了主题聚类。三大中心性指标各司其职：DC 衡量局部影响力，BC 识别信息桥梁，CC 反映信息扩散效率。报告时遵循 Freeman (1978) 和 Borgatti et al. (2009) 的规范，同时报告网络整体指标（密度、APL、聚类系数、模块度）和节点级指标（Top N 中心性三线表）。

在 chatsrs.com 用一句自然语言指令，即可获得：

网络整体特征三线表（密度/APL/聚类系数/模块度）
Top 20 节点三大中心性排名（DC/BC/CC 归一化值）
Louvain 社区检测结果 + 主题标签
力导向布局高清网络可视化图
可直接粘贴进论文的 APA 7th 格式中文描述
完整参考文献（igraph / Louvain 算法原论文）