דירוג עמוד מותנה מראש בבלוק לניתוח מרכזיות והתערבות ברשתות מסחריות

Summary

פרוטוקול זה מחשב מרכזיות מבוססת PageRank ומעריך התערבויות ממוקדות ברשתות מסחריות על ידי שילוב רווח כיווני מבוסס ניתוח רכיבים עיקריים, משקל קצוות מרובי מקורות, ופותר ליניארי קרילוב-תת-מרחב מותנה מראש בבלוק, לשיפור היציבות והשחזור המספרית.

Abstract

רשתות מסחריות מעוצבות על ידי גורמים הטרוגניים (למשל, גאוגרפיה, מבנה קטגוריות וביצועי תפעול), ולכן אינדיקטור פיננסי יחיד עשוי שלא לשקף את התפקיד המבני של הצומת במערכת הכוללת. פרוטוקול זה מחלץ כיווני תכונות בממד נמוך באמצעות ניתוח רכיבים עיקריים ומיישם בדיקת עקביות בספקטרום זוגי המבוססת על מטריצת בלוקים סימפלקטית מובנית לשיפור אמינות הכיוונים הנבחרים. באמצעות כיוונים אלו, זרימת העבודה בונה גרף מכוון משוקלל שמשלב דמיון מרחבי, סינרגיה בין קטגוריות עסקיות, ומונח רווח כיווני שמקורו בגרדיאנטים של תכונות. המרכזיות מחושבת לאחר מכן על ידי פתרון מערכת PageRank הליניארית באמצעות שיטה שארית מינימלית מוכללת מותנית מראש בלוק, עם דיווח מפורש על התכנסות ונקודות בדיקה אבחנתיות לשחזוריות. תהליך העבודה מודגם באגרגטים קמעונאיים ברמת המדינה (49 צמתים) מתוך מאגר נתונים ציבורי, כאשר מספר קטן של רכיבים עיקריים תופס את רוב שונות התכונות ותומך במשקל כיווני יציב. לבסוף, הפרוטוקול מעריך התערבות ממוקדת חזקה לחלשה על ידי הקצאת חלק כמותי ממשקל הקצה מצמתים מרכזיים גבוהים לצמתים נמוכים וחישוב מחדש של PageRank תחת אותה הגדרת התאמה אישית. בסך הכול, פרוטוקול זה מאפשר למשתמשים לבנות רשת מסחרית רב-מקורית ניתנת לפענוח, לחשב מרכזיות PageRank מאומתת מספרית, ולבדוק מדיניות התערבות עם אבחון מוגדר בבירור.

Introduction

רשתות מסחריות (למשל, מערכות קמעונאות ברמת המדינה ואזורי עסקים אזוריים) מורכבות משחקנים הטרוגניים שמשתפים פעולה ומתחרים. האינטראקציות ביניהם מעוצבות על ידי מיקום מרחבי, מבנה קטגוריה ותנועת כיוונית של לקוחות וסחורות. כתוצאה מכך, אינדיקטורים חד-נקודתיים (למשל, מכירות בלבד) עשויים שלא לשקף באופן אובייקטיבי את התפקיד המבני של הצומת ברשת ^1,2,3. חברות באותו מחוז יכולות להיות שונות באופן ניכר בקנה מידה ובתנאי תפעול, והאינטראקציות ביניהן מותנות עוד יותר על ידי הקשר מרחבי ותנועה זמנית. לכן, אינדיקטורים היוריסטיים ודירוגי מכירות פשוטים עלולים להיות לא מספקים לאפיון מיקום הרשת וחיזוק או עיכוב חוצה צמתים³.

תורת הרשתות המורכבות מספקת פרספקטיבה הוליסטית לכימות חשיבות הצמתים. PageRank (PR) מעריך חשיבות על ידי סימולציה של הליכה אקראית ומשמש רבות במודלים של דירוג ודיפוזיה. עבודות קודמות מראות שניתן להכליל את PR להגדרות משוקללות על ידי החלפת מטריצת הסמיכות במטריצת משקל ושימוש בחוזק הצומת במקום דרגה⁴. ניסוחי יחסי ציבור משוקללים מאזנים עוד יותר בין תרומות מבוססות דרגה וחוזק באמצעות פרמטרים ניתנים לכיוונון ויושמו על רשתות תלות כלכלית רחבות היקף⁵. תלות ממקום למקום שמקורן בניידות ובהוצאות שימשו גם לבניית רשתות מבוססות התנהגות שמקשרות בין דפוסי מרכזיות לחוסן כלכלי עירוני⁶. מחקרים עדכניים המשלבים נתונים עירוניים מרובי מקורות מדגישים כי דירוגי אינדיקטור יחיד לעיתים קרובות אינם מייצגים מנגנונים רב-גורמים, מה שמניע בניית רשת שמדומות יחד מבנה ותכונות⁷. עדויות בפירוט עסקי-מחוז מצביעות גם היא על כך שכמות, גיוון קטגוריות ומבנה קטגוריות מעצבים יחד את החיוניות המסחרית ויש למודל אותם יחד². ניתוחים קשורים המחברים מרכזיות לדפוסי מתקנים ונגישות מחזקים עוד יותר את הצורך ללכוד הן את המבנה היחסי והן את המאפיינים ההקשריים^{בסביבות מסחריות.}

מבחינה מתודולוגית, הספרות מצביעה על שני צרכים מעשיים שלעיתים קרובות אינם מטופלים מספיק במחקרי רשתות מסחריות יישומיות. ראשית, כאשר משתמשים בתכונות רב-משתניות לבניית משקלים כיווניים או מבוססים על תכונות, יש לבדוק במפורש את יציבות הכיוונים המופקים במקום להניח⁷. שנית, חישוב מרכזיות צריך לדווח על נקודות בדיקה אבחנתיות שניתנות לשחזור (למשל, בדיקות דלילות/קישוריות והתכנסות פותרים) כך שהתוצאות יהיו ניתנות לאימות מעבר לפלט דירוג יחיד^4˒5.

למרות ההתקדמות הזו, מחקרים יישומיים רבים עדיין מדווחים על דירוגים ללא (i) בדיקת יציבות מפורשת למידע כיווני שהופק מתכונות רב-משתניות, (ii) נקודות ביקורת ניתנות לשחזור שמאמתות דלילות/קישוריות בגרף והתכנסות נומרית, ו-(iii) הערכת התערבות שמפרמטרית וניתנת להשוואה בין הגדרות ^1,2,3. פרוטוקול זה פותר את הפערים הללו על ידי הפיכת זרימת העבודה המלאה לניתנת לביקורת: הוא מחלץ כיווני תכונות בממדים נמוכים, בודק עקביות כיוונים, בונה גרף מכוון משוקלל רב-מקורות, ומחשב מרכזיות PR באמצעות פותר איטרטיבי מבוסס בלוק יציב מספרית עם אבחון מדווח בבירור. הוא מעריך התערבות ממוקדת מחזק לחלש תחת הגדרת התאמה אישית קבועה כדי לכמת כיצד ההתערבויות מחלקות מחדש את המרכזיות.

בהשוואה לווריאנטים של PR שמשנים רק את משקל הקצוות או מוסיפים שכבות, תהליך עבודה זה מספק פלטים מדידים שמשתמשים יכולים לאמת ולהשוות ישירות: (i) תרומה כיוונית ניתנת לפרשנות ברמת הקצה, (ii) אבחון ביניים מפורש (מטרות מוסברות על ידי שונות, בדיקות דלילות/קישוריות, ודגלי התכנסות של פותרים), ו-(iii) מדד אפקט התערבות שמכמת שינויים ב-PR עבור קבוצות מקור/יעד מוגדרות תחת הגדרת התאמה אישית קבועה. פרוטוקול זה מתאים במיוחד כאשר צמתים מייצגים יחידות מסחריות הממוקמות במרחב (למשל, מדינות, ערים, מחוזות, פלטפורמות) עם קואורדינטות ותכונות הפעלה רב-משתניות, וכאשר מרחב התכונות מציג מבנה יציב ונמוך מממד במקום דליל קיצוני או רעש עם אות נמוך.

Protocol

1. הכנת נתונים ונרמול

1. ייבא וסינון של מאגר הנתונים. ייבא מאגר נתונים של הזמנות קמעונאיות ציבוריות ושמור רשומות מ-2014–2017¹⁸.
2. הגדר צמתים. הגדר את קבוצת הצמתים V כמדינות אמריקאיות ושמר מצבים עם תצפיות מספקות כך ש-|V|=49. יהי n=|V|.
3. בנה וקטורי תכונה ברמת הצמת. עבור כל צומת i\in V, אגד רשומות עסקאות ומחשב וקטור תכונות 16-ממדי x_i∈R¹⁶. וקטור התכונות כולל סטטיסטיקות מכירה (כולל, ממוצע, סטיית תקן וטווח), סטטיסטיקות רווח (כולל, ממוצע, סטיית תקן וטווח), סטטיסטיקות כמות (כולל, ממוצע, סטיית תקן), סטטיסטיקות הנחה (ממוצע וסטיית תקן), ושלושה מדדים נוספים הכוללים מרווח רווח (ProfitMargin), ספירת הזמנות (OrderCount) ורווח ממוצע להזמנה (AvgOrderProfit).
4. טיפול דטרמיניסטי בערכים חסרים ומייצב נומרי. החלף כל ערך חסר של תכונה נגזרת ב-0 ורשם את מספר ההחלפות. הגדר מייצב קבוע δ=^10-12 עבור מכנים שעשויים להתקרב לאפס בחישובים מאוחרים יותר (בשימוש במשוואה 4).
5. לאחד את התכונות. החלו נרמול ציון Z על פני צמתים כדי לקבל את מטריצת התכונות הסטנדרטית X _std∈R^49×16.
   נקודת ביקורת 1: אמת ש-X_{\text{std}} הוא 49\כפול 16 ללא ערכים חסרים לאחר הסטנדרטיזציה ולוודא שהמחלקה הבאה כוללת סכום 49.
6. הגדר מחלקות מכירה לסטרטיפיקציה. חלק את הצמתים לשלוש מחלקות (נמוך/בינונית/גבוהה) לפי שלישיות של סך המכירות וגודל מחלקות השיא (נמוך: 16; בינוני: 17; מקסימום: 16)¹⁸. סמנו חברות במחלקה לפי c(i) ∈ {L,M,H}.

2. הפחתת ממדיות PCA מאומת על ידי JRS (JRS-PCA)

1. הערכת קו-וריאנס. מחשב את מטריצת הקווריאנטיות C מ-X_{\text{std}} כך.
   C = cov(X_std) (1)
2. חילוץ רכיבים עיקריים. מחשבים את k זוגות העצמי הראשונים של C באמצעות קומפיקציה עצמית דלילה, וקבעו כברירת מחדל k = 4.
3. הסבר שונות. רשמו את השונות המוסברת על ידי כל רכיב עיקרי ואת השונות המצטברת המוסברת על ידי PCs 1–4².
4. ייצוג פסקול ב-PC. עבור כל צומת i, חשב את וקטור הניקוד של PC z_i\in\mathbb{R}^k ורשום (z_{i,1,z i,2}) לוויזואליזציה בפיזור PC1–PC2 בצבוע לפי מחלקת מכירות.
5. בניית בלוק JRS. בנה את מטריצת הבלוקים הסימפלקטית המובנית ב-JRS כך.
   S = diag(C,-C) (2)
6. עקביות בספקטרום מזווג עם התאמה מפורשת. מחשב ערכי עצמי של S, מחלק אותם לקבוצות חיוביות ושליליות, מיין את הערכים העצמיים החיוביים בסדר יורד וממיין את הערכים המוחלטים של הערכים העצמיים השליליים בסדר יורד, זווג אותם לפי אינדקס, וחשב את סטיית הזיווג המקסימלית \max_j|\lambda^+_j+\lambda^-_j|. כלל ההתאמה הזה קובע את פרטי היישום עבור שחזוריות².
   נקודת ביקורת 2: דווח על השונות המצטברת המוסברת על ידי PCs 1–4 ודווח לאישור מבנה יציב בממד נמוך לפני בניית הגבר כיווני².

3. בניית גרף מכוון משוקלל רב-מקורות

1. משקלי דמיון מרחבי. לכל זוג מסודר (i,j), מחשבים את משקל הגרעין הגאוסי המרחבי כך:
   (3)
   כאן p_i = (x_{i,y i}) מציין את קואורדינטת המרכז של הצומת i ו-σ הוא רוחב הפס, המוגדר כברירת מחדל ל-10.0.
2. משקלי סינרגיה מבוססי מחלקות. הגדר את קו הבסיס הסינרגטי w_syn(i,j) באמצעות יחס מחלקת המכירה משלב 1.6.
   הגדר w_syn(i,j)=0.6 כאשר c(i) = c(j), הגדר_סינטר(i,j)=0.4 כאשר מחלקות קרובות (נמוך–בינוני או בינונית–גבוהה), והגדר w_סינטר(i,j) = 0.2 כאשר מחלקות אינן סמוכות (נמוך–גבוה).
3. רווח כיווני PCA. חשב את כיוון היחידה היציב במרחב הניקוד של PC על ידי
   (4)
   עם δ=^10-12 . הגדר את ציון היישור הלא-שלילי לאורך PC1 באמצעות כיוון ההתייחסות r = (1,0,...,0)^⊤ כ-
   (5)
   הגדר את העונש מאותה מחלקה כ-
   (6)
   ומחשבים את משקל הרווח הכיווני על ידי
   w_ori(i,j) = β⋅w_syn(i,j) ⋅ g(i,j) ⋅ π(i,j) (7)
   עם β=1.0. העונש π(i,j) מיישם הורדת משקל קלה לאותה מחלקה כדי לעודד קישורים חוצי מחלקות תוך שמירה על קישוריות בתוך המחלקה⁵.
4. מיזוג משקל והסרת הלולאה העצמית. התמזגו משקלים מרובי מקורות ליצירת מטריצת המשקל המכוון
   (8)
   והגדרת דיאג (_{W total}) = 0 כדי להסיר לולאות עצמיות.
5. מטריצת בדיקה סימטרית (אופציונלי). חשב את מטריצת הפרוקסי הסימטרית
      (9)
   רק לבדיקה.
6. ספארסיפיקציה עם אימות כמותי. שמור על האחוז העליון של הערכים הלא-אפסיים_{ב-W בסך הכול} (ברירת מחדלq=35%) כדי לקבל את מטריצת השכנות המכוונת דליל A_dir. רשמו nnz(_{A dir}) וצפיפות², ובאופן אופציונלי החלו את אותו כלל פיזור גם_לסימפ כדי לקבל_סימן A לבדיקה².
   נקודת ביקורת 3: לאחר פיזור, דווח על nnz(_{A dir}) וצפיפות, דווח על מספר הרכיבים המחוברים חלש (יעד: 1), ובודק אם סכומי עמודות כלשהם אפס. אם קיימות עמודות סכום אפס, יש להחיל טיפול בצמתים תלויים בשלב 4.1². אם הפיזור מנתק את הגרף, הרפה את קשיחות הפיזור ברצף מ-35% ל-30% ואז ל-25%, וחזר על נקודת הביקורת לאחר כל התאמה.

4. פתרון PageRank של LGMRES מוקדם בבלוק קטגוריה

1. מטריצת מעבר סטוכסטית לעמודה עם טיפול בצמתים תלויים. מחשבים את סכומי העמודות של_{A dir} ויוצרים את המטריצה האלכסונית D. לכל עמודה סכום אפס, מחליפים את העמודה בווקטור ההתאמה האישית u לפני הנרמליזציה, ויוצרים את מטריצת המעבר הסטוכסטית של עמודה על ידי
   W_c =_{A דיר} ^D-1 (10)
2. PageRank כמערכת ליניארית. הגדר PageRank עם גורם דיכוי α(ברירת מחדלα=0.85) וקטור התאמה אישית u על ידי
   p = (1-α)u + αW_c^⊤p (11)
   ופתור את המערכת הליניארית השקולה
   (I-( I -αW_c^⊤)p = (1 - α)u (12)
   (II-withM = I - αW_c^⊤ andb = (1-α)u.
3. קדם-בלוק קטגוריה ימני. להוציא תת-בלוקים אלכסוניים של M המתאימות למחלקות נמוכות/בינוניות/גבוהות ולהרכיב קירוב אלכסוני בלוק P^{-1} באמצעות פסאודואינוורקים לכל תת-בלוק אלכסוני. עבור אינדקסים שאינם מכוסים על ידי בלוק, השתמשו בהופכי של הכניסה האלכסונית של M כגיבוי^{אלכסוני 19}.
4. פתרון איטרטיבי ודיווח אבחון. לפתור Mp = b באמצעות פותר שארית מינימלי מוכלל בזיכרון מוגבל עם קדם-מתנה ימני ^P-1 , מוגדר כ-rtol = 1e−6, atol = 0, maxiter = 500, inner_m = 30, outer_k = 3¹⁹. רשמו את דגל המידע של הפותר (יעד: 0), את השארית היחסית הסופית ‖Mp - b‖₂/‖b‖₂ , והחזרה החיצונית סופרת¹⁹.
5. בדיקות נרמול ותוקף. אם מופיעים ערכים שליליים קטנים, חתכו אותם ל-0 ורשמו את הגודל המקסימלי שחתך, ואז נרמל מחדש כך ש-∑_ip_i = 1 .
   נקודת ביקורת 4: דיווח על מידע, דיווח ‖Mp - b‖₂/‖b‖₂, דיווח , ודיווח ∑_ip_i כאבחון שחזוריות ולא כהצהרות איכותניות¹⁹.

5. ניסוי התערבות והשוואת תוצאות

1. בחירת מקור ומטרה. באמצעות וקטור התאמה אישית קבוע u, הגדר את שלושת הצמתים העליונים לפי בסיס p כקבוצת המקור S ואת שלושת הצמתים התחתונים כקבוצת היעד T, ורשמו את הצמתים שנבחרו².
2. חוזק התערבות עם מגבלת קאפ. בחרו ε ב[0.05,0.15] כך שהמשקל המוזרק מכל צומת מקור לא יעלה על 10% מסך המשקל היוצא המקורי של אותו צומת לאחר הפיזור, ורשמו ε יחד עם היחס בין המשקל המוזרק למקור לכל צומת מקור².
3. עדכון דטרמיניסטי במשקל הקצה. חשב את משקל הקצה הממוצע החיובי ב-A_dir
   , לאחר מכן עדכן כל זוג מסודר (s,t) עם s ∈ Sandt ∈ T על ידי
   _A'dir(s,t) =_{A dir}(s,t) + εw (13)
   ולחשב מחדש W_c מ-A'_{\text{dir}} כמו בשלב 4.1 תוך שמירה על α ו-you ללא שינוי.
4. חשב מחדש PageRank וכמת שינוי. חזור על שלבים 4.2–4.5 כדי לקבל p', חשב Δp=p'-p, ודיווח על שינויים מוחלטים ויחסיים עבור צמתים ב-S ו-T². ודאו שהאבחון של הפותר נשאר בתוך היעדים (מידע = 0; ≤ שארית rtol) לאחר התערבות².
   נקודת ביקורת 5: דווח \varepsilon, דווח על יחס הזרקה למקור לכל צומת מקור, דיווח על מידע על פותר ושאריות לפני ואחרי התערבות ודיווח על סיכום Δp עבור S ו-T².

Results

תנאי ניסוי ונתונים

כל הניתוחים בוצעו על מחשב שולחני עם מערכת הפעלה Windows. תהליך העבודה יושם בפייתון 3.12 באמצעות NumPy, Pandas, SciPy ו-Matplotlib, והזרע האקראי נקבע ב-2025 כדי לתמוך בשחזוריות¹⁸. מאגר נתונים של הזמנות קמעונאיות ציבוריות סינן כדי לשמור על רשומות מ-2014–2017²². הסדרים אוגדו לרמת המדינה כדי להגדיר 49 צמתים (מדינות בארה"ב עם תצפיות מספקות). לכל צומת חושבו 16 תכונות תפעוליות, כולל מ...

Discussion

פרוטוקול זה מספק תהליך עבודה שניתן לשחזר להערכת מרכזיות ולהערכת התערבויות ממוקדות ברשתות מסחריות ברמת מדינה, על ידי שילוב בניית גרף משוקלל רב-מקורי, רווח כיווני שמקורו ב-PCA, ופותר LGMRES PageRank^{מותנה מראש בקטגוריה 18˒23}. במקום להציג את המרכזיות כפלט דירוג יחיד, זרימת העבודה מדגישה אבחונים ביניים—בדיקות מוסברות על ידי שונות, דיווח על דלילות/קישוריות, וקריטריוני התכנסות לפותרים—כך שמשתמשים יכולים לאמת נכונות בשלבים שונים ולפרש מד...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Matplotlib	צוות הפיתוח של Matplotlib		v3.8+ יצירת איורים והדמיית תוצאות מרכזיות/התערבות
NumPy	מפתחי NumPy		v1.26+ פעולות מערך נומרי וחישוב מטריצות
פנדות	צוות הפיתוח של הפנדות		v2.2+ ניקוי נתונים, אגרגציה וניהול נתונים טבלאים
פייתון	קרן התוכנה של פייתון		v3.12 סביבת תכנות ליבה לעיבוד נתונים וביצוע מודלים
SciPy	קהילת SciPy		v1.13+ אלגברה ליניארית דלילה ותמיכה בפותרים איטרטיביים (למשל, LGMRES)