Citation Network Builder 是一个用于从学术参考文献数据构建、分析和可视化引文网络的技能。以下内容按用途、主要能力、使用方式、适用场景和限制整理。
一、用途 该技能面向引文网络分析，覆盖从书目数据库收集数据、构建网络、检测研究聚类，到使用 Gephi、VOSviewer 和 Python NetworkX 等工具进行可视化。其目标是对科学知识结构提供量化视角，揭示无形学院、新兴研究前沿和塑造整个学科的基础性著作。
二、数据收集与准备 引文网络分析需要带有参考文献列表的结构化书目数据，数据库的选择决定覆盖范围和可用元数据。资料中比较了以下数据库：
- Web of Science (Clarivate)：格式为 ISI/WoS 纯文本、BibTeX、CSV；覆盖约 21,000 种期刊，可回溯至 1900 年；优势是被引参考文献数据最完整；限制是每次导出 1,000 条记录，需要订阅；最适合高质量引文网络分析。
- Scopus (Elsevier)：格式为 CSV、BibTeX、RIS；覆盖约 27,000 种期刊，多数可回溯至 1970 年代；优势是覆盖范围比 WoS 更广，提供作者 ID；限制是每次导出 2,000 条记录，需要订阅；最适合更广泛的学科覆盖。
- OpenAlex（免费）：通过 REST API 提供 JSON；覆盖约 2.5 亿篇作品，覆盖所有学科；优势是免费、开放、全面、可 API 访问；限制是参考文献链接不如 WoS 完整；最适合大规模分析和可重复研究。
- CrossRef（免费）：通过 REST API 提供 JSON；覆盖约 1.5 亿个 DOI，涵盖所有出版商；优势是免费、权威的 DOI 元数据、参考文献链接；限制是无摘要文本，引用计数可能滞后；最适合跨出版商网络和 DOI 解析。 资料提供了 clean_bibliographic_data 函数用于数据清洗：标准化 DOI（小写、去除前缀）、按 DOI 去重、将参考文献列表解析为结构化格式、过滤缺失关键字段的记录，并移除没有参考文献的记录，因为无法构建引用链接。
三、网络构建方法
- 直接引用网络：最简单的方法，论文 A 引用论文 B 则从 A 到 B 建立有向边。资料提供 build_direct_citation_network 函数，节点为论文，边为引用关系，使用 NetworkX DiGraph。
- 共被引网络：当第三篇论文同时引用两篇论文时，这两篇论文构成共被引，共被引强度为同时引用两者的论文数量。该方识别被引作品之间的知识关系。资料提供 build_cocitation_network 函数，节点为被引论文，边为共被引频次，可设置最小共被引次数。
- 文献耦合网络：当两篇论文共享一个或多个参考文献时构成文献耦合，用于分组具有相似理论或方法基础的论文。资料提供 build_bibliographic_coupling_network 函数，节点为引用论文，边为共享参考文献数量，可设置最小共享数。
四、网络分析 节点层面指标包括：入度（直接引用）即论文被引次数，用于识别有影响力的论文；中介中心性，即节点出现在最短路径上的频率，用于识别连接子领域的桥接论文；PageRank，即基于引用者影响力的迭代重要性评分，用于识别被其他有影响力论文引用的论文。网络层面指标包括：密度、聚类系数、平均路径长度和连通分量数量。
五、社区检测 社区检测算法可识别密集连接的论文聚类，对应研究子领域或知识传统。资料提供 detect_communities 函数，使用 Louvain 算法，返回节点到社区 ID 的映射，并按社区汇总论文数量。
六、可视化工具建议
- Gephi（桌面应用）：最适合中型网络（1k–50k 节点）的交互式探索；布局算法有 ForceAtlas2、Fruchterman-Reingold；可导出 SVG、PDF、PNG；工作流程为导入 GEXF/GraphML、布局、按社区分区、按中心性调整大小、导出。
- VOSviewer（桌面应用）：最适合文献计量网络；可直接从 WoS/Scopus 导出文件导入；内置聚类和叠加可视化；限制是比 Gephi 可定制性低。
- Python（matplotlib、pyvis）：最适合可重复、可脚本化的可视化；使用 pyvis 生成交互式 HTML 网络图，使用 matplotlib 生成静态出版级图表。
七、适用场景 适用于学术引文网络的构建与分析、研究前沿与知识结构探索、学科基础性著作识别、研究子领域聚类分析等。
八、限制 部分功能依赖订阅数据库（WoS、Scopus）；免费数据库（OpenAlex、CrossRef）的参考文献链接完整度或摘要文本、引用计数时效存在限制；具体收费、价格等信息资料未提供；安装命令、官方文档等未提供。