[論文レビュー] PageRank computation for Higher-Order Networks

Célestin Coquidé, Julie Queiros+1 more|arXiv (Cornell University)|Sep 7, 2021

Complex Network Analysis Techniques参考文献 12被引用数 1

ひとこと要約

この論文は、変動順序ネットワーク（Von）に標準PageRankを適用した場合に生じるバイアスを特定し、アイテムの表現頻度に応じてノードを再重み付けすることでバイアスのないPageRankモデルを提案する。このバイアスは、トランジット機構に起因し、表現頻度の高いアイテムが過大評価される。実世界の順序データ（海上交通、航空交通、タクシー移動）において、ランキングの正確性が著しく向上する。

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

研究の動機と目的

• 標準PageRankが変動順序ネットワーク（Von）に適用された場合に、アイテムの表現頻度の不均衡によって生じるバイアスを調査すること。
• PageRankにおけるトランジット機構が、頻繁に表現されるアイテムの中心性をどのように拡大するかを分析すること。
• ネットワーク内各アイテムの表現回数を考慮したバイアス補正済みPageRankモデルを開発すること。
• バイアスと補正の影響が、実世界のデータセットにおいてランキングの安定性とパフォーマンスに与える影響を評価すること。
• 標準PageRankがVonネットワークに適用された場合、特に周縁的または頻度の低いアイテムに対して誤った中心性スコアを生じることを示すこと。

提案手法

• 各アイテムの表現回数（Nrep）に応じてトランジット確率を調整することで、バイアス補正済みPageRankモデルを提案する。
• 高頻度アイテムの影響を低減するための正規化されたトランジットベクトルを導入する。
• 標準PageRankの均一なトランジットを、アイテムの表現頻度に配慮した分布に置き換えることで、アイテム中心性スコアのバランスを図る。
• 実世界のデータセット（海上交通、航空交通、ポルトのタクシー移動）に修正モデルを適用する。
• スピアマン順位相関係数とケンダール順位相関係数を用いて、モデル間（1次、バイアス付きVon、バイアスなしVon）の順位を比較する。
• 減衰係数αを用いて、パラメータ変更に対する順位の感度を評価し、特にアイテム数が少ないデータセットでの影響を検証する。

実験結果

リサーチクエスチョン

• RQ1 変動順序ネットワーク（Von）に標準PageRankを適用した場合、アイテムの表現頻度の不均衡によってバイアスのある中心性スコアが生じるか？
• RQ2 PageRankにおけるトランジット機構が、Vonネットワークにおいて頻繁に表現されるアイテムの中心性をどのように拡大するか？
• RQ3 提案されたバイアス補正済みPageRankモデルは、標準PageRankのVonネットワークへの適用と比較して、順位の正確性と安定性をどの程度向上させるか？
• RQ4 減衰係数αが、特にスパースなデータセットにおいて、異なるモデル間の順位相関にどのように影響するか？
• RQ5 修正モデルは、順序データにおいて周縁的または頻度が低いが意味のあるノードをよりよく同定できるか？

主な発見

• 標準PageRankはVonネットワークにおいて、表現頻度の高いアイテムの中心性を過大評価しており、上位10位のうち80％が重複するが、明確な順位入れ替えが生じる（例：スラバヤ（Krep=45）はバイアス付きVonで9位にランクインするが、バイアスなしモデルでは36位に下がる）。
• 提案されたバイアス補正済みPageRankモデル（Unbiased VonPR）は、周縁的ノードを正しくランク付けする。例としてタクシーデータセットでは、唯一Unbiased VonPRと1次PageRankが周縁的地域を適切に上位に引き上げる。
• バイアス付きVonPRと1次PageRankのスピアマン相関は高い（海上データではrs=0.95）が、バイアスにより真の中心性が歪められ、特に表現頻度の低いノードで顕著である。
• タクシーデータセットでは、1次PageRankとバイアス付きVonPRの相関が低い（rs=0.44）ため、表現バイアスによって順位の整合性が著しく損なわれている。
• 減衰係数αが増加する（α→1）と、バイアス付きとバイアスなしモデル間の相関は上昇するが、バイアスは依然として残り、特にトランジットが安定化効果を発揮しにくいスパースなデータセットでは顕著である。
• 補正により順位の安定性と正確性が著しく向上し、タクシーデータセットではバイアスなしモデルと1次PageRankのケンダール相関（rτ）が0.91に達するのに対し、バイアス付きと1次PageRank間では0.30にとどまる。