4.矩阵的使用问题

即把什么矩阵输入到统计分析软件中去的问题。这个问题的出现有其历史原因，笔者猜测，早期从SCI数据库获得矩阵是通过手工操作，如1973年Small最早提出论文同被引的概念并进行了说明^[24]，在实例操作中，他检索到高被引论文之后，将其两两配对，组合输入到SCI数据库中被引文献检索途径，即可直接获得两篇文章同被引的数据，由此直接构建出高被引论文的同被引矩阵；尤其是1981年开始的作者同被引（ACA）（Author Cocitation: A Literature Measure of Intellectual Structure Howard D White; Belver C Griffith Journal of the American Society for Information Science (pre-1986); May 1981; 32, 3; ABI/INFORM Global pg. 163）高被引作者配对检索则更方便，带来了ACA研究的火爆，同时也使得作者同被引矩阵盛行。因此，从历史上看共现分析最开始使用的是同被引矩阵。

以高频词共现聚类分析为例，在生成高频主题词-相关论文矩阵（简称词篇矩阵）和高频主题词共现矩阵之后，大多数研究使用社会科学统计软件包（如Statistical Package for the Social Sciences，简称SPSS）软件进行聚类分析，同样，对于高被引论文的同被引聚类分析，也存在着是将高被引论文-相关来源文献矩阵还是高被引论文同被引矩阵输入到SPSS中的问题。所谓词篇矩阵，即矩阵中第一列为高频关键词，第一行为对应的文献号码，行和列对应的格子中的数字表示该关键词是否在对应的文献中出现，如表2中，关键词“MOOC”在8号和9号文献中出现。

所谓共词矩阵就是第一行和第一列都是高频主题词，对应的格子中的数字表示两个主题词在多少篇论文中共同出现。如表3中关键词第一列中的“商业银行”与第一行中的“P2P网络借贷”对应的数字为“4”，表明这两个关键词在4篇文章中共现过。

相当数量的发表文献中采用了将高频词共现矩阵输入到SPSS中进行聚类分析，或者将高频词-相关论文矩阵转换为相似矩阵，再转换为相异矩阵，最后将相异矩阵输入到SPSS中进行聚类分析。

在SPSS中，软件说明中要求输入的应该是标识样本-属性的数值矩阵，即词篇矩阵。如果把共现矩阵或者相异矩阵输入当做数据矩阵输入到SPSS中的话，实际上SPSS把二者的共现数据或者二者的距离当做分类样本（高频关键词）的一个属性值了，这样做似乎也有一定的道理，因为一个关键词（A）与其他关键词（B,C等）的共现次数也可以被当作该关键词（A）的属性，但是严格说来这样做是不合适的。笔者曾经用样本案例观察二者的差异，发现两种聚类方法虽然在局部有相同的聚类结果，但是越到后来，分类的差异就越大，可能会导致聚类结果判读起来很别扭。

关于这个问题，早在2015年中国科学院文献中心的Qiuju ZHOU已经通过认真的研究后得出结论：“如果将共现矩阵输入SPSS层次聚类模块而不停用SPSS嵌入的相似性算法，SPSS会把相似度计算两次，从而扭曲并高估相似度”^[25]。同时Zhou也提出了在给SPSS输入共现矩阵的时候解决之道。因此只要在进行书目信息共现聚类分析中，尤其是在输入SPSS这样的统计软件的时候，注意软件对输入数据（矩阵）的要求，或者输入词篇矩阵，或者采取Zhou提出的解决方法，我们可以说这个问题目前已经解决了。