Блочно-предусловленный PageRank для анализа центральности и вмешательства в коммерческих сетях

Summary

Этот протокол вычисляет центральность на основе PageRank и оценивает целенаправленные вмешательства в коммерческих сетях путём интеграции направленного усиления на основе анализа основных компонентов, многоисточникного взвешивания по краям и линейного решателя подпространства Крылова с предварительной обусловленностью для повышения численной устойчивости и воспроизводимости.

Abstract

Коммерческие сети формируются гетерогенными факторами (например, география, структура категорий и операционная эффективность), поэтому один финансовый индикатор может не отражать структурную роль узла в общей системе. Этот протокол извлекает низкоразмерные направления признаков с помощью анализа главных компонентов и применяет проверку согласованности парного спектра на основе структурированной симплектической блочных матрицы для повышения надёжности выбранных направлений. Используя эти направления, рабочий процесс строит взвешенный ориентированный граф, который объединяет пространственное сходство, синергию бизнес-категорий и член с направленным усилением, полученный из градиентов признаков. Центральность затем вычисляется путём решения линейной системы PageRank с помощью блочно-предобусловленного обобщённого минимального остаточного метода, при этом явные сходимость и диагностические контрольные точки указываются для воспроизводимости. Рабочий процесс демонстрируется на агрегатах розничной торговли на уровне штатов (49 узлов) из публичного набора данных, где небольшое количество основных компонентов фиксирует большую часть дисперсии признаков и поддерживает стабильное направленное взвешивание. Наконец, протокол оценивает целенаправленное вмешательство от сильного к слабому, перераспределяя количественную долю веса ребра от узлов с высокой центральной центральной точки к узлам с низкой центральной и пересчитывая PageRank в той же конфигурации персонализации. В целом, этот протокол позволяет пользователям создавать интерпретируемую коммерческую сеть с несколькими источниками, вычислять численно проверенную центральность PageRank и тестировать политики вмешательства с чётко определённой диагностикой.

Introduction

Коммерческие сети (например, государственные розничные системы и региональные деловые районы) состоят из разнородных акторов, которые одновременно сотрудничают и конкурируют. Их взаимодействия формируются пространственным расположением, структурой категорий и направлением движения клиентов и товаров. В результате одноточечные индикаторы (например, только продажи) могут объективно не отражать структурную роль узла в^{сети 1,2,3}. Фирмы в одном районе могут значительно различаться по масштабу и условиям работы, а их взаимодействия дополнительно зависят от пространственного контекста и временного количества посетителей. Поэтому эвристические индикаторы и простые рейтинги продаж могут быть недостаточны для характеристики позиции сети и подкрепления или торможения между^{узлами 3}.

Теория комплексных сетей предоставляет целостный взгляд на количественную оценку важности узлов. PageRank (PR) оценивает значимость путём моделирования случайной прогулки и широко используется в моделях ранжирования и диффузии. Предыдущие исследования показывают, что PR можно обобщить на взвешенные параметры, заменив матрицу смежности на матрицу весов и используя силу узла вместо^{степени 4}. Взвешенные формулировки PR дополнительно балансируют вклады, основанные на степени и силах, через настраиваемые параметры и применяются к крупномасштабным сетям экономической зависимости⁵. Зависимости от мобильности и расходов, возникающие от места в место, также использовались для построения сетей, основанных на поведении, которые связывают модели централизации с устойчивостью городской экономики⁶. Недавние исследования, интегрирующие многоисточниковые городские данные, показывают, что рейтинги по одному индикатору часто не отражают многофакторные механизмы, что мотивирует построение сетей, которые совместно моделируют структуру и^{атрибуты 7}. Данные по детализации деловых районов также свидетельствуют о том, что количество, разнообразие категорий и структура категорий совместно формируют коммерческую жизнеспособность и должны моделироваться^{вместе 2}. Связанные анализы, связывающие центральность с закономерностями объектов и достижимостью, дополнительно подчеркивают необходимость отражать как реляционную структуру, так и контекстные особенности в коммерческих^{условиях 8˒9}.

Методологически литература указывает на две практические потребности, которые часто недостаточно учитываются в исследованиях прикладных коммерческих сетей. Во-первых, когда многомерные атрибуты используются для построения направленных или призначе-ориентированных весов, стабильность извлечённых направлений следует явно проверять, а не предполагать⁷. Во-вторых, вычисление центральности должно отражать воспроизводимые диагностические контрольные точки (например, проверки разрежённости/связности и сходимость решателей), чтобы результаты были проверяемы сверх одного ранжирующего^{выхода 4˒5}.

Несмотря на этот прогресс, многие прикладные исследования по-прежнему сообщают о ранжировании без (i) явной проверки устойчивости направленной информации, извлеченной из многомерных признаков, (ii) воспроизводимых контрольных точек, проверяющих разрежённость/связность графов и численную сходимость, и (iii) оценки вмешательства, параметризированной и сопоставимой между ^{настройками 1,2,3}. Этот протокол устраняет эти пробелы, делая весь рабочий процесс аудифицируемым: он извлекает низкоразмерные направления признаков, проверяет согласованность направления, строит многоисточниковый взвешенный направленный граф и вычисляет центральность PR с помощью численно устойчивого итеративного решателя с предварительно обусловленными блоками с чётко заданными диагностикой. Также оценивается целенаправленное вмешательство от сильного к слабому в условиях фиксированной персонализации, чтобы количественно оценить, как вмешательства сравнительно перераспределяют центральность.

По сравнению с вариантами PR, которые только перевзвешивают рёбра или добавляют слои, этот рабочий процесс предоставляет измеримые результаты, которые пользователи могут напрямую проверять и сравнивать: (i) интерпретируемый направленный вклад на уровне краёв, (ii) явная промежуточная диагностика (целей, объяснённые дисперсией, проверки разрежённости/связности и флаги сходимости решателей), и (iii) метрику эффекта вмешательства, количественно оценивающую изменения PR для заданных наборов источников/целей в условиях фиксированной персонализации. Этот протокол наиболее уместен, когда узлы представляют пространственно расположенные коммерческие единицы (например, штаты, города, районы, платформы) с координатами и многомерными рабочими особенностями, а также когда пространство функций демонстрирует стабильную маломерную структуру, а не экстремальную разреженность или низкий уровень сигнала.

Protocol

1. Подготовка и нормализация данных

1. Импортируйте и отфильтруйте набор данных. Импортируйте публичный набор данных по розничным заказам и ведите записи за 2014–2017^{годы 18}.
2. Определите узлы. Определим множество узлов V как состояния США и сохраняем состояния с достаточными наблюдениями так, чтобы |V|=49. Пусть n=|V|.
3. Постройте векторы признаков на уровне узлов. Для каждого узла i\in V агрегировать транзакционные записи и вычислить 16-мерный вектор признаков x_i∈^{R 16}. Вектор характеристик включает статистику продаж (общее, среднее, стандартное отклонение и диапазон), статистику прибыли (общее, среднее, стандартное отклонение и диапазон), статистику количества (общее, среднее, стандартное отклонение), статистику дисконтов (среднее и стандартное отклонение), а также три дополнительных индикатора, включающие маржу прибыли (ProfitMargin), количество заказов (OrderCount) и среднюю прибыль на заказ (AvgOrderProfit).
4. Детерминированная обработка пропущенных значений и числового стабилизатора. Замените отсутствующую запись производных признаков на 0 и запишите количество замен. Определите фиксированный стабилизатор δ=^10-12 для знаменателей, которые могут приблизиться к нулю в последующих вычислениях (используется в уравнении 4).
5. Стандартизуйте функции. Примените нормализацию Z-скора между узлами для получения стандартизированной матрицы признаков X _std^{∈R 49×16}.
   КОНТРОЛЬНЫЙ ПУНКТ 1: Проверьте, что X_{\text{std}} равен 49\умножить на 16, при этом после стандартизации нет пропущенных записей, и убедитесь, что следующий класс суммируется до 49.
6. Определите классы продаж для стратификации. Разбить узлы на три класса (Низкий/Средний/Высок) по тертилям общего числа продаж и размера рекордных классов (Низкий: 16; Средний: 17; Максимум: 16)¹⁸. Обозначим принадлежность к классу по c(i) ∈ {L,M,H}.

2. Уменьшение размерности PCA, валидированное JRS, (JRS-PCA)

1. Оценка ковариации. Вычислим ковариационную матрицу C из X_{\text{std}} следующим образом.
   C = cov(X_std) (1)
2. Извлечение главных компонентов. Вычислите первые k собственных пар C с помощью разреженной собственной композиции и по умолчанию поставьте k = 4.
3. Объяснение дисперсии. Запишите дисперсию, объясняемую каждым главным компонентом, и накопленную дисперсию, объясняемую PCs 1–4².
4. Представление по результатам PC. Для каждого узла i вычислите вектор оценки PC z_i\in\mathbb{R}^k и запишите (z_{i,1,z i,2}) для визуализации в рассеянии PC1–PC2, раскрашенном по классу продаж.
5. Строительство блоков JRS. Построим структурированную JRS-симплектическую блочные матрицы следующим образом.
   S = diag(C,-C) (2)
6. Согласованность парного спектра с явным сопоставлением. Вычислить собственные значения S, разбить их на положительные и отрицательные множества, отсортировать положительные собственные значения в убывающем порядке, отсортировать абсолютные значения отрицательных собственных значений в убывающем порядке, спарить их по индексу и вычислить максимальное отклонение пар \max_j|\lambda^+_j+\lambda^-_j|. Это правило сопоставления фиксирует детали реализации для^{воспроизводимости 2}.
   КОНТРОЛЬНЫЙ ПУНКТ 2: Сообщить о накопленной дисперсии, объяснённой ПК 1–4, и подтвердить стабильность низкоразмерной структуры до построения направленного^{усиления 2}.

3. Построение многовзвешенного направленного графа

1. Веса пространственного сходства. Для каждой упорядоченной пары (i,j) вычислим пространственный вес гауссового ядра следующим образом:
   (3)
   Здесь p_i = (x_{i,y i}) обозначает центроидную координату узла i, а σ — полосу пропускания, установленная на 10.0 по умолчанию.
2. Классовые синергические веса. Определите базовую синергию w_syn(i,j) с помощью отношения класса продаж из шага 1.6.
   Set w_syn(i,j)=0.6, когда c(i) = c(j),setw_syn(i,j)=0.4, когда классы смежны (Low–Medium или Medium–High), и set w_syn(i,j) = 0.2, когда классы не смежны (Low–High).
3. Направленное усиление PCA. Вычислите стабилизированное направление единицы в пространстве баллов PC по
   (4)
   при δ=^10-12 . Определим неотрицательную оценку выравнивания вдоль PC1 с помощью направления отчёта r = (1,0,...,0)^⊤ как
   (5)
   Определим штраф одного класса как
   (6)
   и вычислить вес направленного прироста как
   w_ori(i,j) = β⋅w_syn(i,j) ⋅ g(i,j) ⋅ π(i,j) (7)
   с β=1.0. Штраф π(i,j) предусматривает мягкое снижение веса по одному классу для поощрения межклассовых связей при сохранении внутриклассовой^{связности 5}.
4. Слияние веса и самоудаление петли. Объединить многоисточниковые веса для формирования направленной массовой матрицы
   (8)
   и установить diag(_{W total}) = 0, чтобы убрать самопетли.
5. Симметричная матрица инспекции (опционально). Вычислить симметричную прокси-матрицу
      (9)
   Только для проверки.
6. Разреженность с количественной валидацией. Сохраняйте верхний q% ненулевых элементов в_{W total}(defaultq=35%), чтобы получить разрежённую направленную смежность матрицы A_. Запишите nnz (_{A dir}) и^{плотность 2}, а также по желанию примените то же правило разреженности к_{W sym}, чтобы получить_символ A для^{инспекции 2}.
   КОНТРОЛЬНЫЙ ПУНКТ 3: После разреженности сообщайте nnz (_{A dir}) и плотность, указывайте количество слабо связанных компонентов (цель: 1) и проверяйте, равны ли какие-либо суммы столбцов нулем. Если существуют столбцы с нулевой суммой, примените обработку висящего узла в шаге 4.1². Если спарсификация разъединяет граф, последовательно ослабьте строгость разреженности с 35% до 30%, а затем до 25%, повторяя контрольную точку после каждой корректировки.

4. Решение LGMRES PageRank с предварительно обусловленной категорией

1. Столбно-стохастическая матрица переходов с обработкой висячего узла. Вычислите столбцовные суммы_{A dir} и получите диагональную матрицу D. Для любого столбца с нулевой суммой заменим этот столбец на вектор персонализации u до нормализации и формируем стохастическую матрицу переходов столбцов следующим образом
   W_c = А_дир ^D-1 (10)
2. PageRank как линейная система. Определите PageRank с коэффициентом демпфирования α(defaultα=0.85) и вектором персонализации u как
   p = (1-α)u +_{αW c}^⊤p (11)
   и решать эквивалентную линейную систему
   (I-( I -_{αW c}^⊤)p = (1 - α)u (12)
   (II-withM = I - αW_c^⊤ andb = (1-α)u.
3. Предварительный предусловитель с категорическим блоком. Извлеките диагональные подблоки M, соответствующие классам Low/Medium/High, и составьте блочно-диагональную аппроксимацию P^{-1} с использованием псевдообратных блоков для каждого диагонального подблока. Для индексов, не покрываемых блоком, используйте обратное значение диагонального входа M как диагональный запасной^{вариант 19}.
4. Итеративные решения и диагностическая отчетность. Решите Mp = b с помощью обобщённого минимального остаточного решателя с ограниченной памятью с правым предобусловливателем ^P-1 , настроенным как rtol = 1e−6, atol = 0, maxiter = 500, inner_m = 30, outer_k = 3¹⁹. Запишите флаг информации решателя (цель: 0), конечный относительный остаток ‖Mp - b‖₂/‖b_‖2 , и внешняя итерация составляет¹⁹.
5. Проверка нормализации и валидности. Если встречаются небольшие отрицательные значения, обрезайте их до 0 и запишите максимальную обрезанную величину, затем ренормализуйте так, чтобы ∑_{ip i} = 1 .
   КОНТРОЛЬНЫЙ ПУНКТ 4: Докладывайте информацию, докладывайте ‖Mp - b_‖2/‖b_‖2 , докладывайте _{и докладывайте∑i p} i как диагностику воспроизводимости, а не качественные заявления¹⁹.

5. Сравнение эксперимента с вмешательством и результатов

1. Выбор источника и цели. Используя фиксированный вектор персонализации u, определите верхние три узла по базовой линии p как исходный набор S, а нижние три узла — как целевое множество T, и запишите выбранные^{узлы 2}.
2. Сила вмешательства с ограничением потолка. Выберите ε в[0.05,0.15] так, чтобы введённый вес каждого исходного узла не превышал 10% исходной суммы исходящего веса этого узла после разрежения, и запишите ε вместе с соотношением внедрённого к исходному^{узлу 2}.
3. Детерминированное обновление по весу ребров. Вычислите среднеположительный вес ребра в_{A dir}
   , затем обновляем каждую упорядочённую пару (s,t) на s ∈ Sandt ∈ T на
   _A'dir(s,t) = A_dir(s,t) + εw (13)
   и пересчитывать W_c из A'_{\text{dir}}, как в шаге 4.1, при этом сохраняя α и вы без изменений.
4. Пересчитайте PageRank и количественно оцените изменения. Повторите шаги 4.2–4.5, чтобы получить p', вычислите Δp=p'-p , и сообщайте об абсолютных и относительных изменениях для узлов в S и^{T 2}. Проверьте, что диагностика решателя остаётся в пределах целевых показателей (info = 0; остаточный ≤ rtol) после^{вмешательства 2}.
   КОНТРОЛЬНЫЙ ПУНКТ 5: Отчёт \varepsilon, соотношение введённого к исходному узлу на исходный узел, сообщать информацию о решателе и остатки до и после вмешательства, а также предоставить сводку Δ p для S и^{T 2}.

Results

Экспериментальные условия и данные

Все анализы выполнялись на настольном компьютере с операционной системой Windows. Рабочий процесс был реализован в Python 3.12 с использованием NumPy, Pandas, SciPy и Matplotlib, а случайный seed был исправлен на 2025 для поддержки^{воспроизводимости 18}. Набор данных по публичным розничным заказам был отфильтрован для сохранения записей за период 2014–2017 годов²²...

Discussion

Этот протокол обеспечивает воспроизводимый рабочий процесс для оценки центральности и оценки целевых вмешательств в коммерческих сетях на уровне штатов путём интеграции многоисточникного взвешенного графа, направленного усиления, полученного из PCA, и предварительно обусловленного решателя LGMRES^{PageRank 18˒23} с блоком категорий. Вместо того чтобы представлять центральность как единый результат ранжирования, рабочий процесс стави...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Matplotlib	Команда разработчиков Matplotlib		v3.8+ Генерация и визуализация результатов центральности/вмешательства
NumPy	Разработчики NumPy		v1.26+ Операции с численными массивами и матричные вычисления
Панды	Команда разработки Pandas		v2.2+ Очистка, агрегация и табличное управление данными
Python	Фонд программного обеспечения Python		v3.12 Основная среда программирования для обработки данных и выполнения моделей
SciPy	Сообщество SciPy		v1.13+ Поддержка разреженной линейной алгебры и итеративных решателей (например, LGMRES)