[论文解读] 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 9

一句话总结

本文分析了在定向配置网络上类似PageRank的排序算法的渐近分布，证明了典型节点的排名依分布收敛于一个由随机不动点方程控制的有限随机变量。研究建立当入度服从幂律分布时，极限排名分布也表现出相同指数的幂律，为现实网络中广泛观察到的幂律行为提供了严格的数学支持。

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.

研究动机与目标

• 严格建立在PageRank类算法下，定向配置网络中节点排名的极限分布。
• 通过证明入度的幂律会导致PageRank得分中出现相同幂律行为，解决长期存在的幂律假设问题。
• 基于随机不动点方程，建立一个用于建模和分析复杂网络中排名分布的数学框架。
• 通过允许排名机制中存在随机阻尼因子和任意个性化向量，推广现有模型。
• 提供极限排名分布的精确渐近分析，包括尾部行为和收敛速率。

提出的方法

• 作者将排序过程建模为加权分支过程，其中每个节点的排名是其入邻居排名的线性组合加上一个个性化项。
• 他们推导出形式为 $ R \stackrel{\mathcal{D}}{=} \sum_{i=1}^{N} C_i R_i + Q $ 的随机不动点方程（SFPE），其中 $ R_i $ 是 $ R $ 的独立同分布副本，且 $ (Q, N, \{C_i\}) $ 为独立同分布的随机变量。
• 分析使用了耦合技术，并利用加权分支过程分布与SFPE解之间分布的对偶公式，证明了经验排名分布的弱收敛。
• 作者应用大数定律和Hölder不等式，在入度和系数的矩条件下，界定了收敛分析中的误差项。
• 通过耦合论证和双度序列的矩界，建立了经验分布几乎必然收敛到极限分布。
• 极限分布 $ \mathcal{R}^* $ 被表征为SFPE的内生解，在入度服从幂律假设下推导出其显式尾部分布。

实验结果

研究问题

• RQ1 在定向配置网络中，当网络规模增大时，典型节点的排名分布是否收敛于一个非退化的极限？
• RQ2 在何种条件下，极限排名分布会继承入度分布的幂律尾部特性？
• RQ3 PageRank向量能否被严格建模为随机不动点方程的解？
• RQ4 随机阻尼因子和个性化向量如何影响排名得分的渐近行为？
• RQ5 当入度服从幂律时，极限排名分布的精确尾部分布行为是什么？

主要发现

• 随机选取节点的排名依分布收敛于一个有限的随机变量 $ \mathcal{R}^* $，该变量是随机不动点方程的内生解。
• 当入度分布具有指数 $ \alpha \in (1,3) $ 的幂律时，极限排名分布 $ \mathcal{R}^* $ 同样表现出相同指数的幂律。
• 通过耦合和对偶论证，证明了经验排名分布几乎必然收敛到极限分布。
• 极限分布 $ \mathcal{R}^* $ 可表示为i.i.d.的SFPE解副本的线性组合，其系数取决于入度和阻尼因子。
• 该分析证实了PageRank的幂律假设：若入度具有重尾分布，则PageRank得分也具有重尾分布，即使这种关系并非精确的平均场关系。
• 该方法提供了一个通用框架，适用于广泛类别的排序算法，包括具有随机阻尼因子和任意个性化向量的算法。