[논문 리뷰] Linear response theory for Google matrix

Klaus M. Frahm, Dima L. Shepelyansky|arXiv (Cornell University)|2019. 08. 23.

Complex Network Analysis Techniques참고 문헌 10인용 수 4

한 줄 요약

이 논문은 대규모 방향성 네트워크에서 약한 교란에 대한 PageRank 민감도를 효율적으로 계산할 수 있는 Google 행렬을 위한 선형 반응 이론 프레임워크인 LIRGOMAX 알고리즘을 소개한다. 영국 위키백과(500만+ 노드)에 적용하여 투입/흡수 노드 사이의 핵심 경로 노드를 식별하고, REGOMAX를 사용하여 효과적인 상호작용을 추출함으로써 높은 정밀도로 구조적이고 생물학적 또는 역사적으로 관련성이 있는 하위네트워크를 드러낸다.

ABSTRACT

We develop the linear response theory for the Google matrix PageRank algorithm with respect to a general weak perturbation and a numerical efficient and accurate algorithm, called LIRGOMAX algorithm, to compute the linear response of the PageRank with respect to this perturbation. We illustrate its efficiency on the example of the English Wikipedia network with more than 5 millions of articles (nodes). For a group of initial nodes (or simply a pair of nodes) this algorithm allows to identify the effective pathway between initial nodes thus selecting a particular subset of nodes which are most sensitive to the weak perturbation applied to them (injection or pumping at one node and absorption of probability at another node). The further application of the reduced Google matrix algorithm (REGOMAX) allows to determine the effective interactions between the nodes of this subset. General linear response theory already found numerous applications in various areas of science including statistical and mesoscopic physics. Based on these grounds we argue that the developed LIRGOMAX algorithm will find broad applications in the analysis of complex directed networks.

연구 동기 및 목표

• 대규모 방향성 네트워크에서 약한 교란 하에 Google 행렬에 대한 일반적인 선형 반응 이론을 개발하는 것.
• 네트워크 구조나 동역학의 작은 변화에 대한 PageRank 민감도를 효율적이고 정확하게 계산할 수 있도록 하는 것.
• 복잡한 네트워크에서 소스 및 싱크 노드(예: 투입/흡수 지점) 사이의 경로에서 가장 민감한 노드를 식별하는 것.
• LIRGOMAX를 REGOMAX 알고리즘과 조합하여 식별된 민감한 노드 간의 효과적인 상호작용을 추출하는 것.
• 실세계 네트워크, 특히 500만 개 이상의 노드를 가진 2017년 영문 위키백과에서 이 방법의 유용성을 입증하는 것.

제안 방법

• LIRGOMAX 알고리즘은 첫 번째 순서의 교란 이론을 사용하여, Google 행렬 $ G $ 의 약한 교란 하에서 PageRank $ P_0 $ 에 대한 선형 반응 벡터 $ P_1 $ 을 계산한다.
• 이 방법은 투입을 소스 노드에서, 흡수를 싱크 노드에서 일어나는 것으로 모델링하며, 랜덤 매체에서의 펌프 작용과 유사하다.
• 응답 벡터를 통해 가장 민감한 노드를 식별하며, 교란된 행렬에서 강한 전이 요소에 집중한다.
• 식별된 민감한 노드의 부분집합은 이후 REGOMAX 알고리즘을 사용하여 분석되어, 부분집합 내 효과적인 상호작용을 캡처하는 축소된 Google 행렬 $ G_{\text{red}} $ 를 구성한다.
• 축소된 행렬 $ G_{\text{red}} $ 는 블록 $ G_{rr} $, $ G_{qr}^{(nd)} $, 및 $ G_{qr}^{(d)} $ 로 분해되며, 주요 성분은 효과적인 친구/팔로워 네트워크를 시각화하는 데 사용된다.
• 이 알고리즘은 수치적으로 효율적이고 확장 가능하여, 영국 위키백과와 같이 수백만 개의 노드를 가진 네트워크에 적용 가능하다.

실험 결과

연구 질문

• RQ1 약한 교란이 있는 대규모 방향성 네트워크에서 선형 반응 이론을 어떻게 응용하여 PageRank 민감도를 계산할 수 있는가?
• RQ2 네트워크에서 투입/흡수 교란에 대해 가장 민감한 노드는 무엇이며, 어떤 경로를 형성하는가?
• RQ3 LIRGOMAX 알고리즘이 주로 반응 동역학을 캡처하는 최소한의 대표적 노드 부분집합을 효율적으로 식별할 수 있는가?
• RQ4 민감한 노드 간의 효과적인 상호작용은 어떻게 발생하며, 축소된 Google 행렬(즉, REGOMAX)을 사용하여 정확하게 모델링할 수 있는가?
• RQ5 실세계의 방향성 네트워크, 예를 들어 위키백과와 같은 네트워크에서 가장 반응성이 높은 노드들이 형성하는 효과적 네트워크의 구조는 어떠한가?

주요 결과

• LIRGOMAX 알고리즘은 역사적 인물나 대학과 같은 두 개의 초기 노드에서의 투입/흡수에 대해 반응을 주도하는 작은 민감한 위키백과 기사 부분집합(예: 20~40개 노드)을 성공적으로 식별한다.
• 나폴레옹–러시아의 알렉산더 1세 사례에서, 알고리즘은 강한 결합을 가진 경로를 고립한다: 엘레나 아케예브나에서 나폴레옹으로의 0.02439와 이집트·시리아 캠프에 프랑스 군대에서 ottoman empire로의 0.009879.
• REGOMAX가 드러낸 효과적 네트워크의 구조는 희박한 블록 간 연결을 가지며, 명확한 두 블록 조직을 보이며, 서로 다른 그러나 연결된 공동체를 나타낸다.
• 축소된 Google 행렬을 통해 간접 상호작용을 정확하게 캡처하며, 주요 성분인 $ G_{rr} + G_{qr}^{(nd)} $ 가 주요 반응 동역학을 설명한다.
• 알고리즘은 다양한 감쇠 인자 $ \alpha \in [0.5, 0.95] $ 에 대해 안정적이며, $ \alpha $ 에 대해 민감하지 않음을 보여, 실세계 응용에 대한 안정성을 검증한다.
• 이 방법은 행렬 원소의 개별 변경에 대한 PageRank 민감도 분석을 효율적으로 가능하게 하며, 투입/흡수를 초월한 일반적인 교란으로까지 확장된다.