更改

总结而言，流距离的提出与计算，实现了从原始流量数据到概率模型，再到具有行为解释意义的距离度量的转化。它不仅纳入了网络链接结构，更重要的是融合了用户实际流动的偏好与强度，从而为揭示注意力网络中网站间的“认知邻近性”提供了更贴合真实用户心理的量化标尺。

总结而言，流距离的提出与计算，实现了从原始流量数据到概率模型，再到具有行为解释意义的距离度量的转化。它不仅纳入了网络链接结构，更重要的是融合了用户实际流动的偏好与强度，从而为揭示注意力网络中网站间的“认知邻近性”提供了更贴合真实用户心理的量化标尺。

===C_ij===

===对称流距离矩阵<math>C_ij</math>===

但是，流距离矩阵<math>L=\{l_{ij}\}_{(N+2)\times(N+2)}</math>存在一个关键问题：它是非对称的。这是因为在真实的浏览行为中，从网站<math>i</math>跳转到<math>j</math>的难易程度，与从<math>j</math>返回<math>i</math>的难易程度往往并不相同，反映了网络流中固有的方向性与非互惠性。而后续用于空间嵌入的经典方法（如多维尺度分析MDS）要求输入的距离矩阵必须是对称的，以满足欧几里得度量的几何公理。

但是，流距离矩阵<math>L=\{l_{ij}\}_{(N+2)\times(N+2)}</math>存在一个关键问题：它是非对称的。这是因为在真实的浏览行为中，从网站<math>i</math>跳转到<math>j</math>的难易程度，与从<math>j</math>返回<math>i</math>的难易程度往往并不相同，反映了网络流中固有的方向性与非互惠性。而后续用于空间嵌入的经典方法（如多维尺度分析MDS）要求输入的距离矩阵必须是对称的，以满足欧几里得度量的几何公理。

为解决这一矛盾，我们需要将非对称的流距离转化为一个对称的距离度量【13】。一种合理且直观的做法是定义对称流距离<math>C</math>如下：

为解决这一矛盾，我们需要将非对称的流距离转化为一个对称的距离度量【13】。一种合理且直观的做法是定义对称流距离<math>C</math>如下：