1963年，Kessler提出“引用耦合”（bibliographic coupling）：两篇论文的相似度 = 它们共同引用的参考文献数。这个量是静态的——论文一旦发表，参考文献就冻结了。十年后，Small（1973）提出“共被引”（co-citation）：两篇论文的相似度 = 它们被后续论文同时引用的次数。这个量是动态的，每一篇新论文都在悄悄改写整个知识网络。

教科书通常告诉你：引用耦合测的是知识基础（knowledge base），共被引测的是研究前沿（research front）——因为前者来自过去、后者指向未来。这个区分有用，但它暗含一个很少被点破的统计陷阱：共被引矩阵的边权不是独立同分布的，而是时间累积的幂律过程。

具体说： - 一篇1975年的经典论文，到2026年可能被引5000次；一篇2023年的热门新作，可能被引50次。一次共同引用对前者的共被引强度贡献1/5000，对后者贡献1/50。即使新论文扮演着跨领域的结构洞角色，在全网阈值过滤下，它的边也会因为权重过低被直接切除。 - Persson（1994）早就发现，共被引聚类几乎总能召回“经典”，却系统性错过“当红”和“桥接”。这不是算法不努力，是加权方式把时间维度编码成了马太效应：老的越老，中心的越中心。 - 后果是：用共被引网络做数字人文里的知识演化分析，你看到的“前沿”其实是一张过去五十年的合影，而不是此刻的浪尖。更糟的是，研究者为了计算可行性习惯设一个绝对阈值（比如共被引次数≥5），这等于人为加了一层截断偏差，把弱连接（Granovetter意义上的低强度、高桥接性的边）全部排除。

解法？至少可以试试： 1. 不设绝对阈值，改用随机基准模型（如配置模型）检验每条共被引边是否比随机共现显著——让“新但稀有”的边有机会活下来。 2. 或者把共被引强度除以两篇文献被引次数的调和平均（一个类似余弦归一化的操作），把“绝对共现”变成“相对共现”，削弱规模效应。

但这里有个更深的问题值得辩论：如果科学社会学承认引用服从马太效应（Merton, 1968），那么任何基于引用频次的相似度测量都先天带不平等。我们要的到底是一个“忠实地反映不平等”的知识图谱，还是一个“纠正了不平等”的知识图谱？后者会不会又制造新的幸存者偏差？

问题（可反驳）：如果共被引网络必然富者愈富，我们是否该放弃无监督聚类，转向有监督的“引用意图”分类？