[論文レビュー] Ranking algorithms on directed configuration networks

Ningyuan Chen, Nelly Litvak+1 more|arXiv (Cornell University)|Sep 26, 2014

Complex Network Analysis Techniques参考文献 43被引用数 9

ひとこと要約

本稿は、有向構成ネットワークにおけるPageRankに類似したランク付けアルゴリズムの漸近的分布を分析し、典型ノードのランクが、確率的固定点方程式によって支配される有限な確率変数に分布収束することを証明している。イン-degreeがべき乗則に従う場合、極限ランク分布も同じ指数を有するべき乗則を示すことが示され、実世界のネットワークで広く観察されるべき乗則的挙動に対する厳密な数学的裏付けが与えられる。

ABSTRACT

This paper studies the distribution of a family of rankings, which includes Google's PageRank, on a directed configuration model. In particular, it is shown that the distribution of the rank of a randomly chosen node in the graph converges in distribution to a finite random variable $\mathcal{R}^*$ that can be written as a linear combination of i.i.d. copies of the endogenous solution to a stochastic fixed point equation of the form $$\mathcal{R} \stackrel{\mathcal{D}}{=} \sum_{i=1}^{\mathcal{N}} \mathcal{C}_i \mathcal{R}_i + \mathcal{Q},$$ where $(\mathcal{Q}, \mathcal{N}, \{ \mathcal{C}_i\})$ is a real-valued vector with $\mathcal{N} \in \{0,1,2,\dots\}$, $P(|\mathcal{Q}| > 0) > 0$, and the $\{\mathcal{R}_i\}$ are i.i.d. copies of $\mathcal{R}$, independent of $(\mathcal{Q}, \mathcal{N}, \{ \mathcal{C}_i\})$. Moreover, we provide precise asymptotics for the limit $\mathcal{R}^*$, which when the in-degree distribution in the directed configuration model has a power law imply a power law distribution for $\mathcal{R}^*$ with the same exponent.

研究の動機と目的

• 有向構成ネットワークにおけるPageRank型アルゴリズムの下で、ノードランクの極限分布を厳密に確立すること。
• 長年のべき乗則仮説を解消し、イン-degreeのべき乗則がPageRankスコアにも同一のべき乗則的挙動を引き起こすことを証明すること。
• 複雑ネットワークにおけるランク分布をモデル化・分析するための、確率的固定点方程式に基づく数学的枠組みを構築すること。
• ランク付けメカニズムに確率的ダミング要因と任意のパーソナライゼーションベクトルを許容することで、既存のモデルを一般化すること。
• 極限ランク分布の明確な漸近的性質、特に尾の挙動と収束速度を提供すること。

提案手法

• 著者らは、各ノードのランクをそのイン・ネイバーのランクの線形結合に加え、パーソナライゼーション項を含む、重み付き分枝過程としてランクプロセスをモデル化する。
• 次に、$ R \stackrel{\mathcal{D}}{=} \sum_{i=1}^{N} C_i R_i + Q $ の形をした確率的固定点方程式（SFPE）を導出する。ここで $ R_i $ は $ R $ の独立同一分布コピーであり、$ (Q, N, \{C_i\}) $ は独立同一分布の確率変数である。
• カップリング技術と、重み付き分枝過程の分布とSFPEの解との間の双対性公式を用いて、経験的ランク分布の弱収束を証明する。
• イン-degreeおよび係数のモーメント条件の下で、収束解析における誤差項をバウンドするために、強大数法則およびホルダーの不等式を適用する。
• カップリングの議論とバイ次数列のモーメントバウンドを用いて、経験的分布が極限分布にほとんど確実に収束することを確立する。
• 極限分布 $ \mathcal{R}^* $ はSFPEのエンドジェナス解として特徴づけられ、べき乗則のイン-degree仮定の下で明示的な尾の挙動が導出される。

実験結果

リサーチクエスチョン

• RQ1 有向構成ネットワークにおける典型ノードのランク分布は、ネットワークサイズが増大するにつれて非退化な極限に収束するか？
• RQ2 極限ランク分布がイン-degree分布のべき乗則的尾をどのように継承する条件が成立するか？
• RQ3 PageRankベクトルは、確率的固定点方程式の解として厳密にモデル化可能か？
• RQ4 確率的ダミング要因とパーソナライゼーションベクトルは、ランクスコアの漸近的挙動にどのように影響を与えるか？
• RQ5 イン-degreeがべき乗則に従う場合、極限ランク分布の正確な尾の挙動は何か？

主な発見

• ランダムに選ばれたノードのランクは、確率的固定点方程式のエンドジェナス解である有限な確率変数 $ \mathcal{R}^* $ に分布収束する。
• イン-degree分布が指数 $ \alpha \in (1,3) $ のべき乗則に従う場合、極限ランク分布 $ \mathcal{R}^* $ も同じ指数を有するべき乗則を示す。
• カップリングおよび双対性の議論により、経験的ランク分布が極限分布にほとんど確実に収束することが示された。
• 極限分布 $ \mathcal{R}^* $ は、SFPEの解の独立同一分布コピーの線形結合として表現可能であり、係数はイン-degreeおよびダミング要因に依存する。
• 解析により、PageRankのべき乗則仮説が確認された：イン-degreeが重い尾を持つならば、PageRankスコアに対しても重い尾が成立するが、これは平均場的正確な関係ではない。
• 本手法は、確率的ダミング要因と任意のパーソナライゼーションベクトルを許容する広範なクラスのランク付けアルゴリズムに適用可能な一般枠組みを提供する。