[논문 리뷰] PageRank computation for Higher-Order Networks

Célestin Coquidé, Julie Queiros외 1명|arXiv (Cornell University)|2021. 09. 07.

Complex Network Analysis Techniques참고 문헌 12인용 수 1

한 줄 요약

이 논문은 변수 순서 네트워크(Von)에 표준 PageRank를 적용할 경우, 항목의 표현 빈도가 높은 경우에 텔레포트 메커니즘으로 인해 과대평가되는 편향을 규명한다. 이를 바탕으로 각 항목의 표현 빈도를 고려해 노드를 재가중하는 보정된, 편향이 없는 PageRank 모델을 제안하며, 해상 교통, 항공 교통, 택시 이동과 같은 실세계 순차적 데이터셋에서 순위 정확도가 크게 향상된다.

ABSTRACT

Higher-order networks are efficient representations of sequential data. Unlike the classic first-order network approach, they capture indirect dependencies between items composing the input sequences by the use of extit{memory-nodes}. We focus in this study on the variable-order network model introduced in [Xu et al. (2016);Saebi et al. (2020)]. Authors suggested that random-walk-based mining tools can be directly applied to these networks. We discuss the case of the PageRank measure. We show the existence of a bias due to the distribution of the number of representations of the items. We propose an adaptation of the PageRank model in order to correct it. Application on real-world data shows important differences in the achieved rankings. \keywords{Higher-order Networks, Sequential data, Random walks, PageRank

연구 동기 및 목표

• 표준 PageRank가 변수 순서 네트워크(Von)에 적용될 경우, 항목 표현의 균형 잃은 분포로 인해 유발되는 편향을 조사하기 위해.
• PageRank의 텔레포트 메커니즘이 Von 네트워크에서 자주 표현되는 항목의 중심성에 어떻게 영향을 미치는지 분석하기 위해.
• 각 항목의 네트워크 내 표현 수를 고려한 편향 보정 PageRank 모델을 개발하기 위해.
• 편향과 보정이 실세계 데이터셋에서 순위 안정성 및 성능에 미치는 영향을 평가하기 위해.
• 표준 PageRank가 Von 네트워크에 적용될 경우, 특히 주변성 또는 빈도가 낮은 항목에 대해 오해의 소지가 있는 중심성 점수를 도출한다는 것을 입증하기 위해.

제안 방법

• 각 항목의 표현 수(Nrep)에 따라 텔레포트 확률을 조정함으로써 편향 보정 PageRank 모델을 제안한다.
• 높은 표현 빈도를 가진 항목의 영향을 줄이기 위해 정규화된 텔레포트 벡터를 도입한다.
• 표준 PageRank의 균일한 텔레포트를 표현 인식 기반 분포로 대체하여 항목 중심성 점수의 균형을 맞춘다.
• 실세계 데이터셋인 해상 교통, 항공 교통, 포르투의 택시 이동 데이터에 보정 모델을 적용한다.
• Spearman 및 Kendall 상관계수를 사용해 모델 간 순위를 비교한다(1차 모델, 편향 있는 Von, 편향 없는 Von).
• 감쇠 인자 α를 활용해 파rameter 변화에 따른 순위 민감도를 평가하며, 특히 항목 수가 적은 데이터셋에서의 영향을 분석한다.

실험 결과

연구 질문

• RQ1 표준 PageRank가 변수 순수 네트워크(Von)에 적용될 경우, 항목 표현의 균형 잃은 분포로 인해 중심성 점수에 편향을 유발하는가?
• RQ2 PageRank의 텔레포트 메커니즘이 Von 네트워크에서 자주 표현되는 항목의 중심성에 어떻게 영향을 미치는가?
• RQ3 제안된 편향 보정 PageRank 모델이 표준 PageRank에 비해 순위 정확도와 안정성에 얼마나 향상시키는가?
• RQ4 감쇠 인자 α가 다양한 모델 간 순위 상관계수에 미치는 영향은 무엇이며, 특히 희소 데이터셋에서 어떻게 나타나는가?
• RQ5 보정된 모델은 순차적 데이터에서 주변성 또는 빈도가 낮지만 의미 있는 노드를 더 잘 식별할 수 있는가?

주요 결과

• 표준 PageRank는 Von 네트워크에서 표현 빈도가 높은 항목의 중심성을 과대평가하며, 상위 10개 순위의 80%가 공유되지만, 재정렬이 심각하게 발생한다. 예를 들어, 수라바야(Surabaya, Krep=45)는 편향 있는 Von에서 9위로 평가되었지만, 편향 없는 모델에선 36위로 낮아졌다.
• 제안된 편향 보정 PageRank 모델(Unbiased VonPR)은 주변 노드를 정확히 순위 매긴다. 예를 들어, 택시 데이터셋에서 유일하게 주변 지역을 올바르게 높이 평가한 것은 Unbiased VonPR과 1차 모델 PageRank 뿐이었다.
• 해상 데이터에서 편향 있는 VonPR과 1차 모델 PageRank 간의 Spearman 상관계수는 매우 높다(rs=0.95), 그러나 편향으로 인해 진정한 중심성, 특히 낮은 표현 빈도의 노드에서 왜곡이 발생한다.
• 택시 데이터셋에서 1차 모델과 편향 있는 VonPR 간의 상관계수는 낮다(rs=0.44)로, 표현 편향으로 인해 순위가 크게 일치하지 않음을 시사한다.
• 감쇠 인자 α가 증가함에 따라(α→1), 편향 있는 모델과 편향 없는 모델 간 상관계수가 증가하지만, 편향은 여전히 존재하며, 특히 텔레포트가 안정화 효과를 미치기 어려운 희소 데이터셋에서 더욱 두드러진다.
• 보정은 순위 안정성과 정확도를 크게 향상시키며, 택시 데이터셋에서 편향 없는 모델과 1차 모델 간 Kendall 상관계수(rτ)는 0.91에 도달했고, 반면 편향 있는 모델과 1차 모델 간 상관계수는 0.30에 머물렀다.