[논문 리뷰] PageRank's behavior under degree-degree correlations

Mariana Olvera‐Cravioto|arXiv (Cornell University)|2019. 09. 21.

Random Matrices and Applications참고 문헌 38인용 수 6

한 줄 요약

이 논문은 차수-차수 상관관계가 있는 대규모 방향성 네트워크에서 PageRank의 尾행동을 분석하여, 캔토르비치-루빈슈타인 거리에서 수렴하는 극한 분포를 증명한다. 이 극한 분포는 분포적 고정점 방정식의 i.i.D. 복사본들의 무작위 합으로 특징지어지며, 핵심 기여는 일반적인 들어오는 차수/나가는 차수 의존성 하에서 PageRank의 점근적 꼬리의 완전한 특성화이다. 이는 상관관계가 높은 들어오는 차수에서의 높은 순위 정점의 가능성에 영향을 미쳐, 높은 들어오는 차수에서 높은 순위를 가진 인bound 이웃으로의 주요 메커니즘이 이동함을 보여준다.

ABSTRACT

The focus of this work is the asymptotic analysis of the tail distribution of Google's PageRank algorithm on large scale-free directed networks. In particular, the main theorem provides the convergence, in the Kantorovich-Rubinstein metric, of the rank of a randomly chosen vertex in graphs generated via either a directed configuration model or an inhomogeneous random digraph. The theorem fully characterizes the limiting distribution by expressing it as a random sum of i.i.d.~copies of the attracting endogenous solution to a branching distributional fixed-point equation. In addition, we provide the asymptotic tail behavior of the limit and use it to explain the effect that in-degree/out-degree correlations in the underlying graph can have on the qualitative performance of PageRank.

연구 동기 및 목표

• 무작위 그래프 모델에서 들어오는 차수와 나가는 차수 간의 점근적 독립성 가정을 제거하여 이전의 PageRank 꼬리 행동 연구를 확장하기 위해.
• 들어오는 차수, 나가는 차수, 개인화 요소, 감쇠 인자 간의 일반적인 의존성 구조 하에서 극한 PageRank 분포의 완전한 특성화를 제공하기 위해.
• 들어오는 차수/나가는 차수 상관관계가 PageRank의 정량적 성능, 특히 순위 분포의 꼬리 행동에 미치는 영향을 분석하기 위해.
• 일반적인 의존성 하에서 방향성 구성 모델(DCM)과 비균일 무작위 방향 그래프(IRD) 모델에 대해 캔토르비치-루빈슈타인 거리에서의 수렴을 확립하기 위해.

제안 방법

• 국소 약한 수렴 프레임워크를 사용하여 유한 그래프에서의 PageRank 분포를 분포적 고정점 방정식의 해와 연결한다.
• 극한 PageRank를 형태 $\mathcal{R}^{*} \stackrel{\mathcal{D}}{=} \sum_{i=1}^{\mathcal{N}} \mathcal{C}_i \mathcal{R}_i + \mathcal{Q}$ 의 고정점 방정식의 흡인 내부 해의 i.i.D. 복사본들의 무작위 합으로 표현한다. 여기서 $\mathcal{N}$, $\mathcal{C}_i$, $\mathcal{Q}$ 는 상관관계가 있다.
• 대규모 탈락 분석과 포아송 꼬리 바ounds를 적용하여 극한 PageRank 분포의 점근적 꼬리 행동을 연구한다.
• 포터의 정리와 지수적 모멘트 바ounds를 사용하여 들어오는 차수 및 나가는 차수 변수를 포함하는 가중치 합의 꼬리 확률를 제어한다.
• 합집합 바ounds와 포아송 랜덤 변수의 농도 부등식을 사용하여 $\mathcal{C}_i \mathcal{R}_i$의 꼬리 부분을 분해하고 바ounds를 설정한다.
• 일반적인 의존성 하에서 $P(\mathcal{CN} > x) = o(P(W^{-} > x))$ 를 증명하며, 이는 $x \to \infty$ 일 때, 가중치와 순위의 곱의 꼬리가 들어오는 차수의 꼬리보다 더 가볍다는 것을 의미한다.

실험 결과

연구 질문

• RQ1 들어오는 차수/나가는 차수 상관관계가 스케일프리 네트워크에서 PageRank의 꼬리 행동에 미치는 영향은 무엇인가?
• RQ2 들어오는 차수, 나가는 차수, 개인화 값 간의 일반적인 의존성 가정 하에서 PageRank 분포가 어떤 조건에서 극한 무작위 변수로 수렴하는가?
• RQ3 차수-차수 상관관계가 존재할 때 극한 PageRank 분포의 정확한 점근적 꼬리 행동은 무엇인가?
• RQ4 차수 구조가 상관관계가 있을 경우, 높은 PageRank 값을 이끄는 메커니즘—높은 들어오는 차수 또는 높은 순위를 가진 인bound 이웃—은 어떻게 변화하는가?
• RQ5 일반적인 의존성 하에서도 극한 PageRank 분포가 여전히 고정점 해의 i.i.D. 복사본들의 무작위 합으로 표현될 수 있는가? 그리고 이는 독립 사례와 어떻게 다를까?

주요 결과

• 들어오는 차수, 나가는 차수, 개인화 값 간의 일반적인 의존성 하에서, 방향성 구성 모델(DCM)과 비균일 무작위 방향 그래프(IRD) 모델 양쪽 모두에서 극한 PageRank 분포가 캔토르비치-루빈슈타인 거리에서 수렴한다.
• 차수-차수 상관관계가 존재하더라도 극한 분포는 분포적 고정점 방정식의 흡인 내부 해의 i.i.D. 복사본들의 무작위 합으로 특징지어진다.
• 극한 PageRank의 점근적 꼬리 행동은 $x \to \infty$ 일 때 $P(\mathcal{R}^* > x) \sim P(\mathcal{N} > x / E[\mathcal{C}_1 \mathcal{R}_1]) + P(\max_i \mathcal{C}_i \mathcal{R}_i > x)$ 를 만족하며, 이는 높은 순위가 높은 들어오는 차수 또는 높은 순위의 이웃에 의해 이끌린다는 것을 시사한다.
• 논문은 $x \to \infty$ 일 때 $P(\mathcal{CN} > x) = o(P(W^{-} > x))$ 를 보여주며, 일반적인 의존성 하에서 가중치와 순위의 곱의 꼬리가 들어오는 차수의 꼬리보다 더 가볍다는 것을 의미한다.
• 분석 결과, 차수-차수 상관관계는 높은 PageRank의 주요 메커니즘을 변화시킬 수 있다. 상관관계가 강할 경우, 높은 순위를 가진 인bound 이웃의 기여가 들어오는 차수 대비 더 두드러지게 된다.
• 이전 연구를 일반화하여 들어오는 차수/나가는 차수의 독립성 가정을 제거함으로써, 실제 세계 네트워크에서 PageRank 행동의 더 현실적인 모델을 제공한다.