PageRank préconditionné par blocs pour l’analyse de centralité et d’intervention dans les réseaux commerciaux

Summary

Ce protocole calcule la centralité basée sur PageRank et évalue les interventions ciblées dans les réseaux commerciaux en intégrant un gain directionnel basé sur l’analyse des composants principaux, la pondération multi-sources des arêtes et un solveur linéaire Krylov-sous-espace préconditionné par blocs pour améliorer la stabilité numérique et la reproductibilité.

Abstract

Les réseaux commerciaux sont façonnés par des facteurs hétérogènes (par exemple, la géographie, la structure des catégories et la performance opérationnelle), de sorte qu’un seul indicateur financier peut ne pas refléter le rôle structurel d’un nœud dans l’ensemble du système. Ce protocole extrait des directions de caractéristiques de faible dimension en utilisant l’analyse des composantes principales et applique une vérification de cohérence à spectre apparié basée sur une matrice de blocs symplectiques structurée afin d’améliorer la fiabilité des directions sélectionnées. En utilisant ces directions, le flux de travail construit un graphe orienté pondéré qui fusionne similarité spatiale, synergie catégorie métier et un terme de gain directionnel dérivé des gradients de caractéristiques. La centralité est ensuite calculée en résolvant le système linéaire PageRank avec une méthode de résidu minimal généralisé préconditionnée par bloc, avec des points de contrôle explicites de convergence et de diagnostic rapportés pour la reproductibilité. Le flux de travail est démontré sur des agrégats de détail au niveau de l’État (49 nœuds) issus d’un jeu de données public, où un petit nombre de composants principaux capture la majeure partie de la variance des caractéristiques et soutient une pondération directionnelle stable. Enfin, le protocole évalue une intervention ciblée de fort à faible en réallouant une fraction quantifiée du poids des arêtes des nœuds à haute centralité vers des nœuds à faible centralité et en recalculant PageRank sous le même paramètre de personnalisation. Dans l’ensemble, ce protocole permet aux utilisateurs de construire un réseau commercial multi-source interprétable, de calculer la centralité PageRank vérifiée numériquement, et de tester des politiques d’intervention avec des diagnostics clairement définis.

Introduction

Les réseaux commerciaux (par exemple, les systèmes de vente au détail au niveau des États et les quartiers d’affaires régionaux) sont composés d’acteurs hétérogènes qui coopèrent et sont en concurrence. Leurs interactions sont façonnées par la localisation spatiale, la structure des catégories et le mouvement directionnel des clients et des biens. En conséquence, les indicateurs à point unique (par exemple, les ventes seuls) peuvent ne pas refléter objectivement le rôle structurel d’un nœud dans le^{réseau 1,2,3}. Les entreprises du même district peuvent différer nettement en termes d’échelle et de conditions de fonctionnement, et leurs interactions sont en outre conditionnées par le contexte spatial et la fréquentation temporelle. Par conséquent, les indicateurs heuristiques et les classements commerciaux simples peuvent être insuffisants pour caractériser la position du réseau et le renforcement ou inhibition^{inter-nœuds 3}.

La théorie des réseaux complexes offre une perspective globale pour quantifier l’importance des nœuds. Le PageRank (PR) estime l’importance en simulant une marche aléatoire et a été largement utilisé dans les modèles de classement et de diffusion. Des travaux antérieurs montrent que la PR peut être généralisée aux réglages pondérés en remplaçant la matrice d’adjacence par une matrice de poids et en utilisant la force des nœuds plutôt que le^{degré 4}. Les formulations RP pondérées équilibrent davantage les contributions basées sur le degré et la force grâce à des paramètres ajustables et ont été appliquées à des réseaux de dépendance économique à grande^{échelle 5}. Les dépendances dérivées de la mobilité et des dépenses d’un endroit à l’autre ont également été utilisées pour construire des réseaux comportementaux reliant les schémas de centralité à la résilience économique^{urbaine 6}. Des études récentes intégrant des données urbaines multi-sources soulignent que les classements à indicateur unique ne représentent souvent pas les mécanismes à facteurs multiples, ce qui motive la construction de réseaux qui modélisent ensemble la structure et les^{attributs 7}. Les preuves à la granularité des quartiers d’affaires suggèrent également que la quantité, la diversité des catégories et la structure des catégories façonnent conjointement la vitalité commerciale et devraient être modélisées^{ensemble 2}. Des analyses connexes reliant la centralité aux schémas d’installations et à la portée renforcent encore la nécessité de capturer à la fois la structure relationnelle et les caractéristiques contextuelles dans les contextes^{commerciaux 8˒9}.

Méthodologiquement, la littérature souligne deux besoins pratiques souvent sous-pris en compte dans les études appliquées sur les réseaux commerciaux. Premièrement, lorsque des attributs multivariés sont utilisés pour construire des poids directionnels ou informés par les caractéristiques, la stabilité des directions extraites doit être explicitement vérifiée plutôt que^{supposée 7}. Deuxièmement, le calcul de centralité doit rapporter des points de contrôle diagnostiques reproductibles (par exemple, les contrôles de parcimonie/connectivité et la convergence des solveurs) afin que les résultats soient vérifiables au-delà d’un^seul classement 4^˒5.

Malgré ces progrès, de nombreuses études appliquées rapportent encore des classements sans (i) un contrôle explicite de stabilité des informations directionnelles extraites des caractéristiques multivariées, (ii) des points de contrôle reproductibles qui vérifient la parcimonie/connectivité des graphes et la convergence numérique, et (iii) une évaluation d’intervention paramétrée et comparable entre les paramètres ^1,2,3. Ce protocole comble ces lacunes en rendant le flux de travail complet auditable : il extrait les directions de caractéristiques de faible dimension, vérifie la cohérence des directions, construit un graphe dirigé pondéré multi-sources, et calcule la centralité des PR à l’aide d’un solveur itératif préconditionné par blocs numériquement stable avec des diagnostics clairement rapportés. Il évalue en outre une intervention ciblée forte à faible dans un cadre de personnalisation fixe afin de quantifier comment les interventions redistribuent de manière comparable la centralité.

Comparé aux variantes PR qui ne font que repondérer les arêtes ou ajouter des couches, ce flux de travail fournit des résultats mesurables que les utilisateurs peuvent vérifier et comparer directement : (i) une contribution directionnelle interprétable au niveau des arêtes, (ii) des diagnostics intermédiaires explicites (cibles expliquées par la variance, vérifications de parcimonie/connectivité, et drapeaux de convergence du solveur), et (iii) une métrique d’intervention-effet qui quantifie les variations de PR pour des ensembles sources/cibles spécifiés sous un cadre de personnalisation fixe. Ce protocole est le plus approprié lorsque les nœuds représentent des unités commerciales spatialement situées (par exemple, États, villes, districts, plateformes) avec des coordonnées et des caractéristiques de fonctionnement multivariées, et lorsque l’espace des caractéristiques présente une structure stable de faible dimension plutôt qu’une parcimonie extrême ou un faible bruit de signal.

Protocol

1. Préparation et normalisation des données

1. Importez et filtrez le jeu de données. Importez un ensemble de données de commandes publiques au détail et conservez les dossiers de 2014 à^{2017 18}.
2. Définissez les nœuds. Définissons l’ensemble de nœuds V comme des états américains et conservons les états avec suffisamment d’observations pour que |V|=49. Soit n=|V|.
3. Construisez des vecteurs de caractéristiques au niveau du nœud. Pour chaque nœud i\in V, agrégez les enregistrements de transactions et calculez un vecteur de caractéristiques de dimension 16 x_i∈R¹⁶. Le vecteur de caractéristiques inclut les statistiques de ventes (total, moyenne, écart-type et fourchette), les statistiques de bénéfice (total, moyenne, écart-type et fourchette), les statistiques de quantité (total, moyenne, écart-type), les statistiques d’actualisation (moyenne et écart-type), ainsi que trois indicateurs supplémentaires comprenant la marge bénéficiaire (MargeProfit), le nombre de commandes (OrderCount) et le profit moyen par commande (AvgOrderProfit).
4. Gestion déterministe des valeurs manquantes et du stabilisateur numérique. Remplacez toute entrée dérivée manquante par 0 et notez le nombre de remplaçants. Définissez un stabilisateur fixe δ=^10-12 pour les dénominateurs qui peuvent tendre vers zéro dans les calculs ultérieurs (utilisé dans l’équation 4).
5. Standardisez les fonctionnalités. Appliquez la normalisation du score Z à travers les nœuds pour obtenir la matrice de caractéristiques standardisée X _std∈R^49×16.
   POINT DE CONTRÔLE 1 : Vérifiez que X_{\text{std}} est 49\fois 16 sans aucune entrée manquante après standardisation et confirmez que les comptes de classes suivants s’élèvent à 49.
6. Définissez des classes de vente pour la stratification. Partitionner les nœuds en trois classes (Faible/Moyen/Élevé) selon les tiers du total des ventes et la taille des classes records (Faible : 16 ; Moyen : 17 ; Haut : 16)¹⁸. On note l’appartenance à la classe par c(i) ∈ {L,M,H}.

2. Réduction de dimensionnalité PCA validée par JRS (JRS-PCA)

1. Estimation de la covariance. Calculez la matrice de covariance C à partir de X_{\text{std}} comme suit.
   C = cov(X_std) (1)
2. Extraction des composants principaux. Calculer les k premières paires propres de C en utilisant la décomposition propre clairsemée et fixer k = 4 par défaut.
3. Variance expliqué. Notez la variance expliquée par chaque composante principale et la variance cumulative expliquée par les PC 1–4².
4. Représentation du score PC. Pour chaque nœud i, calculez le vecteur de score PC z_i\in\mathbb{R}^k et enregistrez (_{z i,1,z i,2}) pour la visualisation dans une diffusion PC1–PC2 colorée par classe de vente.
5. Construction de blocs JRS. Construisons la matrice de blocs symplectiques structurée JRS comme suit.
   S = diag(C,-C) (2)
6. Consistance du spectre apparié avec correspondance explicite. Calculez les valeurs propres de S, partitionnez-les en ensembles positifs et négatifs, triez les valeurs propres positives dans l’ordre décroissant et triez les valeurs absolues des valeurs propres négatives dans l’ordre décroissant, appariez-les par indice, et calculez la déviation maximale d’appariement \max_j|\lambda^+_j+\lambda^-_j|. Cette règle de correspondance corrige le détail d’implémentation pour la^{reproductibilité 2}.
   POINT DE CONTRÔLE 2 : Rapporter la variance cumulative expliquée par les PC 1–4 et rapporter pour confirmer une structure stable de faible dimension avant la construction du gain^{directionnel 2}.

3. Construction d’un graphe orienté pondéré à plusieurs sources

1. Poids de similarité spatiale. Pour chaque paire ordonnée (i,j), calculez le poids spatial du noyau gaussienne comme suit :
   (3)
   Ici, p_i = (x_{i,y i}) désigne la coordonnée du centroïde du nœud i et σ est la bande passante, réglée par défaut à 10.0.
2. Poids de synergie basés sur les classes. Définissez la base de la synergie w_syn(i,j) en utilisant la relation sales-class de l’étape 1.6.
   On met w_syn(i,j)=0,6 lorsque c(i) = c(j), setw_syn(i,j)=0,4 lorsque les classes sont adjacentes (Faible–Moyen ou Moyen–Haut), et on_{définit w syn}(i,j) = 0,2 lorsque les classes ne sont pas adjacentes (Bas–Haut).
3. Gain directionnel PCA. Calculer la direction unitaire stabilisée dans l’espace des scores PC par
   (4)
   avec δ=^10-12 . Définissez le score d’alignement non négatif le long de PC1 en utilisant la direction de référence r = (1,0,...,0)^⊤ comme
   (5)
   Définissons la pénalité de même classe comme suit
   (6)
   et calculer le poids à gain directionnel par
   w_ori(i,j) = β⋅w_syn(i,j) ⋅ g(i,j) ⋅ π(i,j) (7)
   avec β=1,0. La pénalité π(i,j) met en place une légère réduction de la même classe pour encourager les liens interclasses tout en préservant la connectivité interne^{à la classe 5}.
4. Fusion de poids et retrait de la boucle auto-bouclée. Fusionner des poids multi-sources pour former la matrice de poids orientée
   (8)
   et fixer diag(_{W total}) = 0 pour supprimer les auto-boucles.
5. Matrice d’inspection symétrique (optionnelle). Calculer la matrice proxy symétrique
      (9)
   Pour inspection uniquement.
6. Parcisonnerie avec validation quantitative. Conservez le q % supérieur des entrées non nulles dans le_total W (par défautq = 35 %) pour obtenir la matrice d’adjacence dirigée clairsemée_{A dir}. Enregistrer nnz(_{A dir}) et densité², et appliquer éventuellement la même règle de parsification toW_sym pour obtenir A_sym pour l’inspection².
   POINT DE CONTRÔLE 3 : Après la parsification, rapporter nnz(_{A dir}) et la densité, indiquer le nombre de composantes faiblement connectées (cible : 1), et vérifier si les sommes de colonnes sont nulles. Si des colonnes à somme nulle existent, appliquer la gestion des nœuds pendants à l’étape 4.1². Si la sparsification déconnecte le graphe, relâcher séquentiellement la rigueur de parsification de 35 % à 30 % puis à 25 %, en répétant le point de contrôle après chaque ajustement.

4. Solution de PageRank LGMRES préconditionnée par blocs de catégorie

1. Matrice de transition colonne-stochastique avec gestion des nœuds suspendus. Calculer les sommes de colonnes de_{A dir}, et former la matrice diagonale D. Pour toute colonne à somme nulle, remplacez cette colonne par le vecteur de personnalisation u avant la normalisation, et formez la matrice de transition colonne-stochastique par
   W_c = A_dir ^D-1 (10)
2. PageRank comme système linéaire. Définissez le PageRank avec le facteur d’amortissement α(defaultα=0,85) et le vecteur de personnalisation u par
   p = (1-α)u + αW_c^⊤p (11)
   et résoudre le système linéaire équivalent
   (I-( I -αW_c^⊤)p = (1 - α)u (12)
   (II-avec M = I - αW_c^⊤ et b = (1-α)u.
3. Préconditionneur à droite à bloc de catégorie. Extraire les sous-blocs diagonaux de M correspondant aux classes Bas/Moyennes/Hautes et assembler une approximation bloc-diagonale P^{-1} en utilisant des pseudo-inverses pour chaque sous-bloc diagonal. Pour les indices non couverts par un bloc, utilisez l’inverse de l’entrée diagonale de M comme un repli diagonal¹⁹.
4. Solution itérative et rapports diagnostiques. Résoudre Mp = b à l’aide d’un solveur généralisé de résidus minimaux à mémoire limitée avec préconditionneur droit ^P-1 , configuré comme RTOL = 1e−6, atol = 0, maxiter = 500, inner_m = 30, outer_k = 3¹⁹. Enregistrez le drapeau d’information du solveur (cible : 0), le résidu relatif final ‖Mp - _b‖2/‖b‖₂ , et l’itération externe compte¹⁹.
5. Normalisation et vérifications de validité. Si de petites valeurs négatives apparaissent, découpez-les à 0 et enregistrez la magnitude maximale découpée, puis renormalisez de sorte que ∑_{ip i} = 1 .
   POINT DE CONTRÔLE 4 : Rapport information, rapport ‖Mp - b‖₂/‖b‖₂, rapport , et rapport ∑_ip_i comme diagnostics de reproductibilité plutôt que des affirmations qualitatives¹⁹.

5. Comparaison des expériences et résultats d’intervention

1. Sélection de la source et de la cible. En utilisant un vecteur de personnalisation fixe u, définissez les trois nœuds supérieurs par la ligne de base p comme l’ensemble source S et les trois nœuds inférieurs comme ensemble cible T, puis enregistrez les nœuds^{sélectionnés 2}.
2. Force d’intervention avec contrainte de plafond. Choisir ε en[0.05,0.15] de sorte que le poids injecté par chaque nœud source ne dépasse pas 10 % de la somme de poids sortant initial de ce nœud après sparsification, et enregistre ε avec le rapport injecté/original par nœud^{source 2}.
3. Mise à jour déterministe du poids des arêtes. Calculer le poids moyen positif des arêtes dans_{A dir}.
   , puis mettre à jour chaque paire ordonnée (s,t) avec s ∈ Sandt ∈ T par
   _A’dir(s,t) = A_dir(s,t) + εw (13)
   et recalculer W_c à partir de A'_{\text{dir}} comme à l’étape 4.1 tout en gardant α et vous inchangés.
4. Recalculez le PageRank et quantifiez le changement. Répétez les étapes 4.2 à 4,5 pour obtenir p', calculez Δp=p'-p , et rapportez les changements absolus et relatifs pour les nœuds de S et^{T 2}. Vérifiez que les diagnostics du solveur restent dans les cibles (info = 0 ; résidus ≤ rtol) après l’intervention².
   POINT DE CONTRÔLE 5 : Rapport \varepsilon, rapport injecté/rapport original par nœud source, rapport des informations du solveur et résiduels avant et après intervention, et rapport d’un résumé Δ p pour S et^{T 2}.

Results

Conditions expérimentales et données

Toutes les analyses étaient exécutées sur un ordinateur de bureau équipé d’un système d’exploitation Windows. Le workflow a été implémenté en Python 3.12 en utilisant NumPy, Pandas, SciPy et Matplotlib, et la graine aléatoire a été fixée en 2025 pour supporter la reproductibilité¹⁸. Un ensemble de données de commandes publiques au détail a été filtré pour conserver les dossiers de 20...

Discussion

Ce protocole offre un flux de travail reproductible pour évaluer la centralité et évaluer les interventions ciblées dans les réseaux commerciaux au niveau des états, en intégrant la construction de graphes pondérés multi-sources, le gain directionnel dérivé de la PCA, et un solveur PageRank LGMRES préconditionné par^{blocs de catégorie 18˒23}. Plutôt que de présenter la centralité comme un seul résultat de classement, le flux de tra...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Matplotlib	Équipe de développement Matplotlib		v3.8+ Génération de figures et visualisation des résultats de centralité/intervention
NumPy	Développeurs NumPy		v1.26+ Opérations numériques sur tableaux et calcul matriciel
Pandas	Équipe de développement Pandas		v2.2+ Nettoyage des données, agrégation et gestion des données tabulaires
Python	Fondation Python Software		v3.12 Environnement de programmation central pour le traitement des données et l’exécution de modèles
SciPy	Communauté SciPy		v1.13+ Algèbre linéaire parcimonieuse et support des solveurs itératifs (par exemple, LGMRES)