更改

其中，<math>N</math> 表示节点总数。算法继续调整节点位置，直到平均嵌入畸变 <math>\delta</math> 小于预设阈值。论文中使用的阈值为 <math>1.14</math>。

其中，<math>N</math> 表示节点总数。算法继续调整节点位置，直到平均嵌入畸变 <math>\delta</math> 小于预设阈值。论文中使用的阈值为 <math>1.14</math>。

* '''距离保持'''：算法的核心目标是使嵌入空间中的欧氏距离尽可能接近原始网络距离。

* '''距离保持'''：算法的核心目标是使嵌入空间中的欧氏距离尽可能接近原始网络距离。

* '''可用于网络可视化'''：高维嵌入结果可进一步通过主成分分析等方法投影到二维空间中进行可视化。

* '''可用于网络可视化'''：高维嵌入结果可进一步通过主成分分析等方法投影到二维空间中进行可视化。

* '''保留整体结构'''：算法考虑所有节点对之间的距离关系，因此能够反映网络的全局几何结构。

* '''保留整体结构'''：算法考虑所有节点对之间的距离关系，因此能够反映网络的全局几何结构。

====MDS====

====MDS====

于对称流距离<math>c_{ij}</math>（该距离综合考虑了节点<math>i</math>与<math>j</math>之间相互流动的强度与方向性），我们的目标是在一个欧几里得空间中找到每个网站节点的一个几何映射（或称“几何图像”），使得在该空间中任意两个节点之间的欧几里得距离，能够尽可能准确地拟合它们之间预先计算的流距离<math>c_{ij}</math>。

于对称流距离<math>c_{ij}</math>（该距离综合考虑了节点<math>i</math>与<math>j</math>之间相互流动的强度与方向性），我们的目标是在一个欧几里得空间中找到每个网站节点的一个几何映射（或称“几何图像”），使得在该空间中任意两个节点之间的欧几里得距离，能够尽可能准确地拟合它们之间预先计算的流距离<math>c_{ij}</math>。

通过这一嵌入过程，原始由流动关系定义的抽象网络，便被转化为一个由 N+2 个节点（N 个真实网站节点，通常另加两个辅助参考点以确定空间原点和方向）所构成的高维几何体。在此几何体中，节点间的连边长度即由<math>c_{ij}</math>定义，直观地表达了节点在网络流动结构中的“相对位置”与亲疏关系。

通过这一嵌入过程，原始由流动关系定义的抽象网络，便被转化为一个由 N+2 个节点（N 个真实网站节点，通常另加两个辅助参考点以确定空间原点和方向）所构成的高维几何体。在此几何体中，节点间的连边长度即由<math>c_{ij}</math>定义，直观地表达了节点在网络流动结构中的“相对位置”与亲疏关系。

为了进行可视化与分析，我们使用多维尺度变换（MDS）【14】 方法，将此高维几何结构降维投影到一个二维平面上。MDS的核心是尽可能保持投影后二维点之间的欧几里得距离，与原始高维空间中的距离（即<math>c_{ij}</math>）一致。这样，我们在二维平面上观察节点的分布，就能近似地洞察它们在原始流动网络中的相对距离、聚类状况以及中心性：距离表现为平面上两点靠近，表示它们在流动网络中互动紧密、流距离小；中心性表现为处于投影图中心区域的节点，通常是网络中的枢纽，与众多其他节点保持较近的流距离，即具有较高的中介中心性或接近中心性。

为了进行可视化与分析，我们使用多维尺度变换（MDS）【14】 方法，将此高维几何结构降维投影到一个二维平面上。MDS的核心是尽可能保持投影后二维点之间的欧几里得距离，与原始高维空间中的距离（即<math>c_{ij}</math>）一致。这样，我们在二维平面上观察节点的分布，就能近似地洞察它们在原始流动网络中的相对距离、聚类状况以及中心性：距离表现为平面上两点靠近，表示它们在流动网络中互动紧密、流距离小；中心性表现为处于投影图中心区域的节点，通常是网络中的枢纽，与众多其他节点保持较近的流距离，即具有较高的中介中心性或接近中心性。

举例说明，假设一个最简单的四面体几何结构，四个顶点代表四个节点，两两之间的流距离决定了其空间构型。通过MDS投影至二维平面后，该四面体的“重心”可能落在投影正方形的中心，而四个节点则分别映射为正方形的四个顶点。这个二维图像虽然损失了部分高维几何信息，但有效保留了节点间最重要的相对位置关系，使我们能够一目了然地看出四个节点彼此等距、地位对称的网络特征。

举例说明，假设一个最简单的四面体几何结构，四个顶点代表四个节点，两两之间的流距离决定了其空间构型。通过MDS投影至二维平面后，该四面体的“重心”可能落在投影正方形的中心，而四个节点则分别映射为正方形的四个顶点。这个二维图像虽然损失了部分高维几何信息，但有效保留了节点间最重要的相对位置关系，使我们能够一目了然地看出四个节点彼此等距、地位对称的网络特征。

因此，将流网络转化为几何体并进行MDS投影，本质上是一种将复杂的、非线性的流动关系数据，转换为直观、可度量的空间结构，从而实现对网络宏观拓扑与节点微观地位的视觉化解析。下图中给出了可视化的简单操作过程。

因此，将流网络转化为几何体并进行MDS投影，本质上是一种将复杂的、非线性的流动关系数据，转换为直观、可度量的空间结构，从而实现对网络宏观拓扑与节点微观地位的视觉化解析。下图中给出了可视化的简单操作过程。

更详细的说，多维尺度变换的核心目标是将高维空间中的距离关系在低维空间（如二维平面）中尽可能忠实地再现。其数学实现过程清晰而严谨，主要可分为以下四个关键步骤：

更详细的说，多维尺度变换的核心目标是将高维空间中的距离关系在低维空间（如二维平面）中尽可能忠实地再现。其数学实现过程清晰而严谨，主要可分为以下四个关键步骤：

 

原始的距离矩阵反映了数据点两两之间的差异，但其所定义的几何关系可能并未以空间原点为中心。通过双重中心化处理（即同时进行行与列的均值归零），我们得到一个中心化的距离矩阵。这一步使得所有数据点的质心与坐标原点重合，消除了整体平移偏差，为后续在欧几里得空间中的嵌入奠定了对称、标准化的基础。

原始的距离矩阵反映了数据点两两之间的差异，但其所定义的几何关系可能并未以空间原点为中心。通过双重中心化处理（即同时进行行与列的均值归零），我们得到一个中心化的距离矩阵。这一步使得所有数据点的质心与坐标原点重合，消除了整体平移偏差，为后续在欧几里得空间中的嵌入奠定了对称、标准化的基础。

中心化后，距离关系可通过内积（即点积）来重新表征。我们根据中心化后的距离矩阵，计算出一个内积矩阵（或称格拉姆矩阵）。该矩阵的每个元素对应一对数据点向量的内积，它本质上刻画了数据点之间的夹角与投影关系，蕴含着数据结构的全部几何信息，是将距离转换为坐标表示的关键桥梁。

中心化后，距离关系可通过内积（即点积）来重新表征。我们根据中心化后的距离矩阵，计算出一个内积矩阵（或称格拉姆矩阵）。该矩阵的每个元素对应一对数据点向量的内积，它本质上刻画了数据点之间的夹角与投影关系，蕴含着数据结构的全部几何信息，是将距离转换为坐标表示的关键桥梁。

对得到的内积矩阵进行特征分解，提取其特征值与对应的特征向量。特征值的大小指示了数据在该特征向量方向上展开的方差或“重要性”；特征向量则构成了描述数据主要变异方向的坐标轴。为实现降维，我们选取最大的k个特征值及其对应的特征向量，这组向量就构成了一个k维子空间的正交基，能够最大程度地保留原始距离关系中的主要结构信息。

对得到的内积矩阵进行特征分解，提取其特征值与对应的特征向量。特征值的大小指示了数据在该特征向量方向上展开的方差或“重要性”；特征向量则构成了描述数据主要变异方向的坐标轴。为实现降维，我们选取最大的k个特征值及其对应的特征向量，这组向量就构成了一个k维子空间的正交基，能够最大程度地保留原始距离关系中的主要结构信息。

最后，将原始数据投影到选定的k维新基上，即可得到降维后的坐标。具体计算方法是：将特征向量矩阵（以选定的k个特征向量为列）与由对应特征值平方根构成的对角矩阵相乘。得到的新坐标矩阵中，每一行代表一个数据点在k维空间中的位置。这样，我们就完成了从抽象距离到直观几何布局的映射，从而能够在低维空间（例如k=2）中直接观察和分析数据的聚类、顺序与相对距离关系。

最后，将原始数据投影到选定的k维新基上，即可得到降维后的坐标。具体计算方法是：将特征向量矩阵（以选定的k个特征向量为列）与由对应特征值平方根构成的对角矩阵相乘。得到的新坐标矩阵中，每一行代表一个数据点在k维空间中的位置。这样，我们就完成了从抽象距离到直观几何布局的映射，从而能够在低维空间（例如k=2）中直接观察和分析数据的聚类、顺序与相对距离关系。

 

=应用=

=应用=