背景频率估计 → 权重算子 → 文档相似度/传播子 → 时间窗与粗粒化 → 可复现互文图。

三个算子必须分开： 1.【局部共现算子】TF-IDF 的 IDF 项（Salton 与 Buckley, 1988）是在扣背景频率；PMI（Manning 与 Schütze, 1999）进一步把「偶然共现」从「条件关联」里剥出来。例：「attention」在 NLP 与神经科学里都高频，但跨领域共现若用全库平均作背景，会被误判为强关联；换成同领域、同年、同文体语料估计背景，关联强度才可比。Deerwester 等（1990）的 LSA 用 SVD 截断把词-文档矩阵压到低维，截断维数 k 就是第一个粗粒化旋钮：k=30 与 k=100 会给出不同的主题邻域。 2.【传播算子】引用是显式边；共被引是二阶边；书目耦合是共享来源的隐式边。引用滞后不是常数：工程/CS 可能更快，人文与理论物理更慢；把「引用数」直接当「影响」，等于把时间传播子压扁成静态标量。 3.【粗粒化算子】社区发现、时间窗、主题模型都会改变图拓扑。文献计量里的 h-index 或领域排名，本质是在某个粗粒化尺度上积分；换尺度，中心性可能反转。

【极难发现】影响不是文本的固有属性，而是「测量算子 × 背景场 × 时间传播子」的复合量。引用只是其中一个可观测。

【完整链路】原始文档 → 分词与词形归并 → 背景频率估计 → 权重算子 → 文档相似度/传播子 → 时间窗与粗粒化 → 可复现互文图。

值得辩论的问题：如果两篇论文共享术语、方法或反常结论，但没有直接引用，它们之间的影响应该记入网络，还是只算潜在传播？