知识图谱是以科学知识为对象，显示学科的发展进程与结构关系的一种图形，具有“图”和“谱”的双重性质与特征；作为对科学知识及其间的关系可视化所得出的结果，具有较为直观、定量、简单与客观等诸多优点；是一种有效的、综合性的知识可视化分析方法和工具，被广泛应用并取得较可靠的结论；目前成为科学计量学、科学学、管理学等领域的研究热点与实践探索趋势。知识图谱对图书情报学科具有更重要意义，目前图书情报研究“知识化”现象明显，知识图谱大有用武之地，不仅可以可视化学科知识结构，也有助于信息检索、文献分类与知识服务等[1]。
2知识图谱的绘制流程
早在1997年，White等人将文献计量可视化的步骤归纳为5点[3]；针对新环境下的知识可视化，Brner(2003)等人将其分为6部分：提取数据、定义分析单元、选择方法、计算相似度、布局知识单元和解释分析结果。Cobo(2011)等人则将其分为7部分：数据检索、处理、网络提取、标准化、作图、分析和可视化。我们认为知识图谱绘制过程可由8部分组成，具体内容见图1。
2.1数据检索
2.2数据预处理
知识可视化的质量、合理性和可靠性很大程度上依赖于所用数据的精确性和全面性。即使最权威、公认质量很高的WoS，也存在数据著录格式(如人名和地名的不统一)和遗漏的问题。从数据库检索出原始数据需要经过系列预处理才能分析，例如改正字符错误，统一或增补国家和机构名等。另外，为进行历时或分时段的对比分析需要对数据分段处理；如果样本数据过大，需要进行有代表性的抽取，例如选择高被引论文、机构或发文最多的作者等。
作者是知识创新和管理的主体，但对作者的识别与去重一直存在问题，涉及作者、机构与国家等知识单元计量与可视化的准确度(尤其是微观层次的分析)，特别是随着网络环境下作者数量剧增，中国等发展中国家作者的大量出现，这一问题更加复杂。目前存在的方法有人工识别、模糊匹配、多阶段匹配，结合心理学的认知地图和网络分析中的ASE(ApproximateStructuralEquivalence)，Tang提出一种基于知识相似度(例如计算所发表论文参考文献的相似程度)的识别作者唯一身份的新算法；通过实证表明该方法算法更简单，识别度更好[12]。Shiffrin等人提出知识可视化的基础是高质量的样本数据，对不同格式和不同质量数据的清洗和预处理是必不可少的过程；对样本数据最好能免费自由地公共获取[13]。
2.3构建知识单元
2.4数据分析
为便于可视化，简单地频次计算的单元数据，往往需要标准化与简化。标准化常常通过数据间的相似度测量，主要有两大类：一是集合论方法(Set-theoreticmeasures)，包括Cosine、Pearson、Spearman、Ochiai指数和Jaccard指数；二是概率论方法(Probabilisticmeasure)，主要有合力指数(AssociationStrength)和概率亲和力指数(ProbabilisticAffinity)。Van[27]从理论和实证分析都得出第二类方法更适合于共现的知识单元分析。为发现知识间的关系，更好地展示各单元，需要样本数据的进一步处理，即简化分析：因子分析、多维尺度分析、自组织映射图(SOM)、寻径网络图谱(PFNET)。此外，还有聚类分析(Cluster)、潜在语义分析(LatentSemanticAnalysis)、ForceDirectedPlacement(FDP)、三角法(Triangulation)、最小生成树法和特征向量法(Eigenvector)等。
2.5可视化与解读
3知识图谱的绘制工具
(1)Bibexcel是由瑞典科学计量学家Persson开发的专门文献计量免费软件[45]。其分析功能强大，可从WoS，Scopus等众多数据库中读取数据，提取多种知识单元及关系数据，并通过不同方法简化和规范化数据。但是它的可视化功能弱，常常用于知识可视化前期的数据预处理，然后输出到Pajek、NetDraw和SPSS进一步可视化。
(5)Leydesdorff系列软件[49]是由荷兰阿姆斯特丹大学的著名科学计量学家Leydesdorff开发的，由针对特定功能而设计的系列小命令行程序组成。可以处理共词、合作、耦合、共引等知识单元关系。结果可以通过外部可视化软件展现出来；擅长分析国际和大学的合作，城市间合作。对各文献数据库批量数据的组织，设计专门程序，其中关系矩阵用Cosine规范。该套程序对数据预处理功能不强，例如要进行历时分析，需要使用其他软件对数据分段。他也提出“层叠图”(OverlayMap)，并开发了工具用于可视化知识的静态布局与动态变化[50]。
(9)VOSViewer是荷兰莱顿大学开发的免费软件[54]。它是VanEck等人基于VOS可视化技术专门针对文献知识单元的可视化工具，其突出特点是图形展示能力强，特别适合分析大规模样本数据[55]。它不能从文献数据中抽取和构建共现矩阵，数据预处理需要外部程序执行。可视化中具体使用相似性度量从共现矩阵中创建相似矩阵；所形成的二维图，元素间的距离反映其相似性，具体是所有的单元优化后，通过最小化加权的欧几里得距离平方和来实现。它可使用VOS聚类技术(基于模块化聚类)探测学术团体；也可使用其他技术构建众多二维图谱。图谱形成后有四种视图浏览：标签视图、密度视图、聚类视图、分散视图。