Block-conditioned PageRank do analizy centralności i interwencji w sieciach komercyjnych

Summary

Protokół ten oblicza centralność opartą na PageRank i ocenia ukierunkowane interwencje w sieciach komercyjnych poprzez integrację kierunkowego wzmocnienia opartego na analizie głównych komponentów, ważenia krawędzi wieloźródłowego oraz blokowo-prekondycjonowanego liniowego solvera Krylova w podprzestrzeni, aby poprawić stabilność numeryczną i powtarzalność.

Abstract

Sieci komercyjne kształtowane są przez heterogeniczne czynniki (np. geografię, strukturę kategorii i wyniki operacyjne), więc pojedynczy wskaźnik finansowy może nie odzwierciedlać strukturalnej roli węzła w całym systemie. Protokół ten wyodrębnia niskowymiarowe kierunki cech za pomocą analizy głównych składowych i stosuje sprawdzenie spójności w parach spektrum oparte na ustrukturyzowanej symplektycznej macierzy blokowej, aby poprawić wiarygodność wybranych kierunków. Korzystając z tych wskazówek, workflow konstruuje ważony graf skierowany, który łączy podobieństwo przestrzenne, synergię kategorii biznesowej oraz wyraz zysku kierunkowego wyprowadzony z gradientów cech. Centralność oblicza się następnie poprzez rozwiązanie układu liniowego PageRank za pomocą uogólnionej minimalnej reszty blokowej, z wyraźną konwergencją i punktami kontrolnymi diagnostycznymi dla powtarzalności. Workflow jest prezentowany na agregatach detalicznych na poziomie stanowym (49 węzłów) z publicznego zbioru danych, gdzie niewielka liczba głównych komponentów obejmuje większość wariancji cech i wspiera stabilne ważenie kierunkowe. Na koniec protokół ocenia ukierunkowaną interwencję silną do słabej poprzez przelokowanie ilościowej części wagi krawędzi z węzłów o wysokiej centralności do tych o niskiej centralności i ponowne obliczenie PageRank w tym samym ustawieniu personalizacji. Ogólnie rzecz biorąc, protokół ten umożliwia użytkownikom budowanie interpretowalnej, wieloźródłowej sieci komercyjnej, obliczanie numerycznie weryfikowanej centralności PageRank oraz testowanie polityk interwencji z jasno zdefiniowaną diagnostyką.

Introduction

Sieci komercyjne (np. systemy handlowe na poziomie stanowym i regionalne dzielnice biznesowe) składają się z heterogenicznych podmiotów, którzy zarówno współpracują, jak i konkurują. Ich interakcje kształtowane są przez położenie przestrzenne, strukturę kategorii oraz kierunkowy ruch klientów i towarów. W rezultacie wskaźniki pojedynczych punktów (np. sprzedaż samych) mogą nie odzwierciedlać obiektywnie roli strukturalnej węzła w sieci ^1,2,3. Firmy w tym samym okręgu mogą się znacznie różnić skalą i warunkami operacyjnymi, a ich interakcje są dodatkowo uwarunkowane kontekstem przestrzennym i ruchem czasowym. Dlatego wskaźniki heurystyczne i proste rankingi sprzedaży mogą być niewystarczające do charakteryzowania pozycji sieciowej oraz wzmocnienia lub hamowania między węzłami³.

Teoria sieci złożonych dostarcza holistycznego spojrzenia na kwantyfikację znaczenia węzłów. PageRank (PR) szacuje znaczenie poprzez symulację losowego spaceru i jest szeroko stosowany w modelach rankingowych i dyfuzji. Wcześniejsze badania pokazują, że PR można uogólnić na ustawienia ważone poprzez zastąpienie macierzy sąsiedztwa macierzą wagową oraz stosowanie siły węzłów zamiast stopnia⁴. Ważone formuły PR dodatkowo równoważą wkłady oparte na stopniu i sile poprzez regulowane parametry i zostały zastosowane w dużych sieciach zależności ekonomicznej⁵. Zależności od miejsca do miejsca wywodzone z mobilności i wydatków zostały również wykorzystane do budowy sieci opartych na zachowaniach, które łączą wzorce centralności z odpornością gospodarczą miast⁶. Najnowsze badania integrujące dane miejskie z wielu źródeł podkreślają, że rankingi pojedynczych wskaźników często nie odzwierciedlają mechanizmów wieloczynnikowych, co motywuje konstrukcję sieci, która wspólnie modeluje strukturę i atrybuty⁷. Dowody dotyczące szczegółowości dzielnicy biznesowej sugerują również, że ilość, różnorodność kategorii i struktura kategorii wspólnie kształtują żywotność komercyjną i powinny być modelowane razem². Powiązane analizy łączące centralność z wzorcami obiektów i dostępnością dodatkowo podkreślają potrzebę uchwycenia zarówno struktury relacyjnej, jak i cech kontekstowych w środowiskach komercyjnych^8˒9.

Metodologicznie literatura wskazuje na dwie praktyczne potrzeby, które często są niedostatecznie uwzględniane w stosowanych badaniach sieci komercyjnych. Po pierwsze, gdy atrybuty wielowymiarowe są używane do konstruowania wag kierunkowych lub opartych na cechach, stabilność wyodrębnionych kierunków powinna być wyraźnie sprawdzana, a nie zakładana jako⁷. Po drugie, obliczenia centralności powinny raportować powtarzalne punkty diagnostyczne (np. kontrole rzadkości/łączności oraz zbieżność solvera), tak aby wyniki były weryfikowalne poza pojedynczym wyjściem rankingowym^4˒5.

Pomimo tego postępu, wiele badań stosowanych nadal raportuje rankingi bez (i) wyraźnego sprawdzenia stabilności dla informacji kierunkowych wyodrębnionych z cech wielowymiarowych, (ii) powtarzalnych punktów kontrolnych potwierdzających rzadkość/łączność grafu oraz zbieżność liczbową oraz (iii) oceny interwencji parametryzowanej i porównywalnej w ustawieniach ^1,2,3. Protokół ten rozwiązuje te luki, umożliwiając audyt pełnego przepływu pracy: wyodrębnia niskowymiarowe kierunki cech, weryfikuje spójność kierunków, konstruuje wieloźródłowy, ważony graf skierowany oraz oblicza centralność PR za pomocą numerycznie stabilnego, blokowego preconditionowanego iteracyjnego solvera z jasno raportowaną diagnostyką. Dodatkowo ocenia ukierunkowaną interwencję od silnej do słabej w ramach stałego ustawienia personalizacji, aby określić, jak interwencje w porównaniu redystrybuują centralność.

W porównaniu z wariantami PR, które jedynie ponownie ważą krawędzie lub dodają warstwy, ten workflow dostarcza mierzalnych wyników, które użytkownicy mogą bezpośrednio weryfikować i porównywać: (i) interpretowalny wkład kierunkowy na poziomie krawędzi, (ii) wyraźną diagnostykę pośrednią (cele wyjaśnione wariancją, kontrole rzadkości/łączności oraz flagi zbieżności solvera) oraz (iii) metrykę efektu interwencji, która ilościowo określa zmiany w PR dla określonych zestawów źródłowych/docelowych przy stałym ustawieniu personalizacji. Protokół ten jest najbardziej odpowiedni, gdy węzły reprezentują przestrzennie rozmieszczone jednostki komercyjne (np. stany, miasta, dzielnice, platformy) za pomocą współrzędnych i wielowymiarowych cech operacyjnych, a przestrzeń cech wykazuje stabilną, niskowymiarową strukturę, a nie ekstremalną rzadkość lub słaby sygnał.

Protocol

1. Przygotowanie i normalizacja danych

1. Importuj i filtruj zbiór danych. Zaimportuj publiczny zestaw zamówień detalicznych i zachowaj zapisy z lat 2014–2017¹⁸.
2. Zdefiniuj węzły. Zdefiniuj zbiór węzłów V jako stany USA i zachowuj stany z wystarczającą liczbą obserwacji, aby |V|=49. Niech n=|V|.
3. Konstruuj wektory cech na poziomie węzłów. Dla każdego węzła i\in V agreguj rekordy transakcji i obliczaj 16-wymiarowy wektor cech x_i∈R¹⁶. Wektor cech obejmuje statystyki sprzedaży (całkowita, średnia, odchylenie standardowe i zakres), statystyki zysku (całkowita, średnia, odchylenie standardowe i zakres), statystyki ilościowe (całkowite, średnie, odchylenie standardowe), statystyki dyskontowe (średnia i odchylenie standardowe) oraz trzy dodatkowe wskaźniki: marża zysku (ProfitMargin), liczba zamówień (OrderCount) oraz średni zysk na zamówienie (AvgOrderProfit).
4. Deterministyczne traktowanie brakujących wartości i stabilizator numeryczny. Zastąp wszelkie brakujące elementy cechy pochodnej na 0 i zapisz liczbę wymian. Zdefiniuj stały stabilizator δ=^10-12 dla mianowników, które mogą zbliżać się do zera w późniejszych obliczeniach (użyte w równaniu 4).
5. Standaryzuj funkcje. Zastosuj normalizację Z-score między węzłami, aby uzyskać standaryzowaną macierz cech X _std∈R^49×16.
   PUNKT KONTROLNY 1: Sprawdź, czy X_{\text{std}} wynosi 49\razy 16 i po standaryzacji nie brakuje wpisów oraz potwierdzić, że liczba kolejnych klas daje 49.
6. Zdefiniuj klasy sprzedaży dla stratyfikacji. Podział węzłów na trzy klasy (Niski/Średni/Wysoki) według tertyli całkowitej sprzedaży i rekordowej wielkości klas (Niskie: 16; Średni: 17; Maksimum: 16)¹⁸. Przynależność do klasy należy do c(i) ∈ {L,M,H}.

2. Redukcja wymiarowości PCA zatwierdzona przez JRS (JRS-PCA)

1. Estymacja kowariancji. Oblicz macierz kowariancji C z X_{\text{std}} w następujący sposób.
   C = cov(X_std) (1)
2. Ekstrakcja głównych składników. Oblicz pierwsze k par własnych C za pomocą rzadkiej kompozycji własnej i ustaw k = 4 domyślnie.
3. Wyjaśnienie odstępstwa. Zanotuj wariancję wyjaśnioną przez każdy główny składnik oraz skumulowaną wariancję wyjaśnioną przez PCs 1–4².
4. Reprezentacja wyników PC. Dla każdego węzła i oblicz wektor punktowy PC z_i\in\mathbb{R}^k i zapisz (_{z i,1,z i,2}) do wizualizacji w rozproszeniu PC1–PC2 kolorowanym według klasy sprzedaży.
5. Budowa bloków JRS. Skonstruuj symplektyczną macierz blokową o strukturze JRS w następujący sposób.
   S = diag(C,-C) (2)
6. Spójność spektrum sparowanego z dopasowaniem jawnym. Oblicz wartości własne S, podziel je na zbiory dodatnie i ujemne, posortuj dodatnie wartości własne w kolejności malejącej i posortuj wartości absolutne ujemnych wartości własnych w kolejności malejącej, sparuj je według indeksu i oblicz maksymalne odchylenie parowania \max_j|\lambda^+_j+\lambda^-_j|. Ta reguła dopasowania poprawia szczegóły implementacji dla powtarzalności².
   PUNKT KONTROLNY 2: Zgłoś skumulowaną wariancję wyjaśnioną przez PC 1–4 i zgłoś się, aby potwierdzić stabilną strukturę niskowymiarową przed konstrukcją wzmocnienia kierunkowego².

3. Konstrukcja wieloźródłowego ważonego grafu skierowanego

1. Wagi podobieństwa przestrzennego. Dla każdej uporządkowanej pary (i,j) obliczamy przestrzenną wagę jądra Gaussa następująco:
   (3)
   Tutaj p_i = (_{x i,y i}) oznacza współrzędną ciężkości węzła i, a σ to szerokość pasma, domyślnie ustawiona na 10,0.
2. Wagi synergii oparte na klasach. Zdefiniuj bazę synergii w_syn(i,j) używając relacji klasy sprzedaży z kroku 1.6.
   Ustaw_{w syn}(i,j)=0,6, gdy c(i) = c(j), ustaw_syn(i,j)=0,4, gdy klasy są sąsiadujące (niskie–średnie lub średnie–wysokie), a w_syn(i,j) = 0,2, gdy klasy są niesąsiadujące (niskie–wysokie).
3. Wzmocnienie kierunkowe PCA. Oblicz kierunek ustabilizowanej jednostki w przestrzeni wyników PC za pomocą
   (4)
   przy δ=^10-12 . Zdefiniuj nieujemny wynik wyrównania wzdłuż PC1, używając kierunku odniesienia r = (1,0,...,0)^⊤ jako
   (5)
   Zdefiniuj karę dla tej samej klasy jako
   (6)
   oraz obliczamy wagę kierunkową przyrostu przez
   w_ori(i,j) = β⋅w_syn(i,j) ⋅ g(i,j) ⋅ π(i,j) (7)
   z β=1,0. Kara π(i,j) wprowadza łagodne obniżenie wagi tej samej klasy, aby zachęcić do łączeń międzyklasowych, jednocześnie zachowując łączność wewnątrzklasową⁵.
4. Fuzja ciężaru i samo-pętla usuwania. Bezpiecznik wieloźródłowy, aby utworzyć skierowaną macierz wag
   (8)
   i ustaw diag(W_łącznie) = 0, aby usunąć pętle samo-własne.
5. Symetryczna macierz inspekcji (opcjonalnie). Oblicz macierz symetryczną zastępczą
      (9)
   Tylko do inspekcji.
6. Sparsyfikacja z walidacją ilościową. Zachowaj górne q% niezerowych wpisów w_{W łącznie} (defaultq=35%), aby uzyskać rzadką macierz sąsiedztwa skierowanego A_dir. Zarejestruj nnz(A_dir) i gęstość², a opcjonalnie zastosuj tę samą regułę sparsyfikacji toW_sym, aby uzyskać A_sym do inspekcji².
   PUNKT 3: Po rozwarstwieniu raportuj nnz(_{A dir}) i gęstość, raportuj liczbę słabo połączonych składników (cel: 1) i sprawdź, czy jakiekolwiek sumy kolumnowe są zerowe. Jeśli istnieją kolumny o sumie zerowej, zastosuj obsługę węzłów wiszących w kroku 4.1². Jeśli sparsyfikacja rozłącza graf, stopniowo złagodz rygorystykę oszczędności od 35% do 30%, a następnie do 25%, powtarzając punkt kontrolny po każdej korektie.

4. Rozwiązanie LGMRES PageRank z blokami kategorii preconditionowane

1. Macierz przejścia stochastyczna kolumnowa z obsługą węzłów wiszących. Oblicz sumy kolumnowe A_dir i utworz macierz diagonalną D. Dla dowolnej kolumny o sumie zerowej zastąp tę kolumnę wektorem personalizacji u przed normalizacją i utworz macierz przejścia stochastycznego kolumnowego przez
   W_c =_{A d-1}(10)
2. PageRank jako system liniowy. Zdefiniuj PageRank z czynnikiem tłumienia α(defaultα=0,85) i wektorem personalizacji u jako
   p = (1-α)u + αW_c^⊤p (11)
   oraz rozwiązują równoważny układ liniowy
   (I-( I -αW_c^⊤)p = (1 - α)u (12)
   (II-withM = I - αW_c^⊤ andb = (1-α)u.
3. Kategoŕia-blok prawy prekondycjoner. Wyodrębnić diagonalne podbloki M odpowiadające klasom niskich/średnich/wysokich i złożyć przybliżenie blokowo-diagonalne P^{-1}, używając pseudoodwrotności dla każdego podbloku diagonalnego. Dla indeksów nieobjętych blokiem należy użyć odwrotności diagonalnego wpisu M jako diagonalnego zapasowego¹⁹.
4. Iteracyjne rozwiązania i raportowanie diagnostyczne. Rozwiń Mp = b używając ograniczonej pamięci uogólnionego solvera minimalnego resztkowego z prawym prekondycjonerem ^P-1 , skonfigurowanego jako rtol = 1e−6, atol = 0, maxiter = 500, inner_m = 30, outer_k = 3¹⁹. Zapisz flagę informacyjną solvera (cel: 0), końcową względną resztę ‖Mp - b‖₂/‖b‖₂ oraz zewnętrzną liczbę^{iteracji 19}.
5. Normalizacja i sprawdzanie ważności. Jeśli występują niewielkie wartości ujemne, przycinasz je do 0 i zapisz maksymalną przyciętą wielkość, a następnie renormalizuj tak, aby ∑_ip_i = 1 .
   PUNKT KONTROLNY 4: Zgłoś informacje, zgłoś ‖Mp - b‖₂/‖b‖₂, zgłoś i zgłoś ∑_ip_i jako diagnostykę powtarzalności, a nie jakościowe stwierdzenia¹⁹.

5. Eksperyment interwencyjny i porównanie wyników

1. Wybór źródła i celu. Używając stałego wektora personalizacji u, zdefiniuj trzy górne węzły według linii bazowej p jako zbiór źródłowy S, a trzy dolne jako zbiór docelowy T, a wybrane węzły zapisz².
2. Siła interwencji z ograniczeniem limitu. Wybierz ε w[0.05,0.15], tak aby wstrzyknięta waga z każdego węzła źródłowego nie przekraczała 10% pierwotnej sumy wagi wychodzącej tego węzła po sparsyfikacji, i zapisuj ε wraz z stosunkiem wstrzykniętych do oryginalnych na węzeł^{źródłowy 2}.
3. Aktualizacja deterministycznej wagi krawędzi. Oblicz średnią dodatnią wagę krawędzi w A_dir
   , a następnie aktualizuj każdą uporządkowaną parę (s,t) przez s ∈ Sandt ∈ T przez
   _A'dir(s,t) = A_dir(s,t) + εw (13)
   i przelicz W_c z A'_{\text{dir}} jak w kroku 4.1, zachowując α i U bez zmian.
4. Przelicz PageRank i zmierzy zmiany. Powtórz kroki 4.2–4.5, aby uzyskać p', oblicz Δp=p'-p i zgłoś zmiany absolutne i względne dla węzłów w S i T². Sprawdź, czy diagnostyka solvera pozostaje w celach (info = 0; resztkowy ≤ rtol) po interwencji².
   PUNKT 5: Zgłoś \varepsilon, zgłoś stosunek iniekcji do oryginału na węzeł źródłowy, zgłoś informacje o solverze i pozostałości przed i po interwencji oraz zgłoś podsumowanie Δ p dla S i^T2.

Results

Warunki eksperymentalne i dane

Wszystkie analizy były przeprowadzane na komputerze stacjonarnym z systemem operacyjnym Windows. Workflow został zaimplementowany w Pythonie 3.12 przy użyciu NumPy, Pandas, SciPy i Matplotlib, a losowy seed został naprawiony w 2025 roku, aby wspierać reproducowalność¹⁸. Zbiór danych o publicznych zamówieniach detalicznych został przefiltrowany, aby zachować zapisy z lat 2014–2017²². Zamówienia zosta...

Discussion

Protokół ten zapewnia powtarzalny workflow do oceny centralności i oceny ukierunkowanych interwencji w sieciach komercyjnych na poziomie stanowym poprzez integrację wieloźródłowej konstrukcji grafów ważonych, wzmocnienia kierunkowego pochodzącego z PCA oraz prekondycjonowanego LGMRES PageRank solvera^18˒23 z blokami kategorii. Zamiast przedstawiać centralność jako jeden wynik rankingowy, workflow stawia na pierwszym planie diagnostykę pośrednią — sprawdzenia wyjaś...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Matplotlib	Zespół Rozwojowy Matplotlib		v3.8+ Generowanie figur i wizualizacja wyników centralności/interwencji
NumPy	Deweloperzy NumPy		v1.26+ Operacje na tablicach numerycznych i obliczenia macierzy
Pandy	Zespół Rozwojowy Pandas		v2.2+ Czyszczenie, agregacja i zarządzanie danymi tabelarnymi
Python	Python Software Foundation		v3.12 Podstawowe środowisko programistyczne do przetwarzania danych i wykonywania modeli
SciPy	Społeczność SciPy		v1.13+ Algebra liniowa rzadka i wsparcie iteracyjnych rozwiązywaczy (np. LGMRES)