Ticari Ağlarda Merkezilik ve Müdahale Analizi için Blok-Ön Koşullu PageRank

Summary

Bu protokol, PageRank tabanlı merkeziyetliği hesaplar ve ticari ağlarda hedefe yönelik müdahaleleri değerlendirir; ana bileşen analizine dayalı yön kazancı, çoklu kaynak kenar ağırlıklandırması ve blok ön koşullu Krylov-alt uzay doğrusal çözücüsü entegre ederek sayısal kararlılığı ve tekrarlanabilirliği artırır.

Abstract

Ticari ağlar, coğrafya, kategori yapısı ve operasyonel performans gibi heterojen faktörler tarafından şekillendirilir, bu nedenle tek bir finansal gösterge, düğümün genel sistemdeki yapısal rolünü yansıtmayabilir. Bu protokol, ana bileşen analiziyle düşük boyutlu özellik yönlerini çıkarır ve seçilen yönlerin güvenilirliğini artırmak için yapılandırılmış simplektik blok matrisine dayalı eşleştirilmiş spektrum tutarlılık kontrolü uygular. Bu yönleri kullanarak, iş akışı mekânsal benzerlik, iş kategorisi sinerjisi ve özellik gradyanlarından türetilmiş yön kazancı terimini birleştiren ağırlıklı yönlendirilmiş bir grafik oluşturur. Daha sonra merkezilik, PageRank doğrusal sistemini blok ön koşullu genelleştirilmiş minimal kalıntı yöntemiyle çözerek hesaplanır; tekrarlanabilirlik için açık yakınsamalar ve tanı kontrol noktaları rapor edilir. İş akışı, kamuya açık bir veri setinden eyalet düzeyinde perakende agregalarında (49 düğüm) gösterilir; burada az sayıda ana bileşen özelliğin çoğunu yakalar ve kararlı yönsel ağırlıklandırmayı destekler. Son olarak, protokol, yüksek merkezilik düğümlerinden düşük merkezilik düğümlerine nicel bir kenar ağırlığı yeniden dağıtarak ve aynı kişiselleştirme ayarında PageRank'i yeniden hesaplayarak hedefli güçten zayıfa bir müdahaleyi değerlendirir. Genel olarak, bu protokol kullanıcıların yorumlanabilir çok kaynaklı ticari ağ kurmalarını, sayısal olarak doğrulanmış PageRank merkeziyetini hesaplamalarını ve net tanımlanmış tanılarla müdahale politikalarını test etmelerini sağlar.

Introduction

Ticari ağlar (örneğin, eyalet düzeyindeki perakende sistemleri ve bölgesel iş bölgeleri) hem iş birliği yapan hem de rekabet eden heterojen aktörlerden oluşur. Etkileşimleri, mekansal konum, kategori yapısı ve müşterilerin ve malların yönsel hareketiyle şekillenir. Sonuç olarak, tek noktalı göstergeler (örneğin, sadece satışlar) bir düğümün ağ 1,2,3'teki yapısal rolünü nesnel olarak yansıtmayabilir. Aynı bölgedeki firmalar ölçek ve işletme koşulları açısından belirgin şekilde farklılık gösterebilir ve etkileşimleri mekânsal bağlam ve zamansal ayak sayısıyla daha da koşullanır. Bu nedenle, sezgisel göstergeler ve basit satış sıralamaları, ağ konumunu ve düğümler arası pekiştirme veya engellemeyi tanımlamak için yetersiz^{olabilir 3}.

Karmaşık ağ teorisi, düğüm önemini niceliklendirmek için bütünsel bir perspektif sunar. PageRank (PR), önemi rastgele bir yürüyüş simülasyonuyla tahmin eder ve sıralama ile yayılma modellerinde yaygın olarak kullanılmaktadır. Önceki çalışmalar, PR'nin ağırlıklı ayarlara genelleştirilebileceğini, bitişiklik matrisini ağırlık matrisi ile değiştirerek ve derece⁴ yerine düğüm gücü kullanılarak yapılabileceğini göstermektedir. Ağırlıklı PR formülasyonları, dereceye ve güç temelli katkıları ayarlanabilir parametrelerle daha da dengeliyor ve büyük ölçekli ekonomik bağımlılık ağlarına^{uygulanmıştır 5}. Hareketlilik ve harcamadan kaynaklanan yerden yere bağımlılıklar, merkeziyetlik kalıplarını kentsel ekonomik dayanıklılıkla bağlayan davranış temelli ağlar oluşturmak için de^{kullanılmıştır 6}. Çok kaynaklı kentsel verileri entegre eden son çalışmalar, tek göstergeli sıralamaların çoğu zaman çok faktörlü mekanizmaları temsil etmediğini ve bu da yapı ve nitelikleri birlikte modelleyen ağ yapılarını motive^{ettiğini ortaya koymaktadır 7}. İş bölgesi ayrıntısına dair kanıtlar da benzer şekilde, niceliğin, kategori çeşitliliğinin ve kategori yapısının ticari canlılığı birlikte şekillendirdiğini ve birlikte modellenmesi gerektiğini^{göstermektedir 2}. Merkeziyeti, tesis desenleri ve erişilebilirlikle bağlantılı ilgili analizler, ticari ortamlarda hem ilişkisel yapıyı hem de bağlamsal özellikleri yakalama ihtiyacını daha da pekiştiriyor^8˒9.

Metodolojik olarak, literatür, uygulamalı ticari ağ çalışmalarında sıklıkla yeterince ele alınmayan iki pratik ihtiyaca işaret etmektedir. İlk olarak, yönlü veya özellik ağırlıkları oluşturmak için çok değişkenli öznitelikler kullanıldığında, çıkarılan yönlerin kararlılığı^{7 olarak} varsaymak yerine açıkça kontrol edilmelidir. İkinci olarak, merkezilik hesaplaması, tekrarlanabilir tanı kontrol noktalarını (örneğin, seyreklik/bağlantı kontrolleri ve çözücü yakınsaması) rapor etmelidir; böylece sonuçlar tek bir^{sıralama çıktısı 4˒5'in} ötesinde doğrulanabilir olur.

Bu ilerlemeye rağmen, birçok uygulamalı çalışma hâlâ sıralamaları rapor etmektedir; (i) çok değişkenli özelliklerden elde edilen yön bilgisi için açık bir kararlılık kontrolü, (ii) grafik seyrekliği/bağlantı ve sayısal yakınsamayı doğrulayan tekrarlanabilir kontrol noktaları ve (iii) ^{1,2,3 ayarları} arasında parametreli ve karşılaştırılabilir bir müdahale değerlendirmesi olmadan sıralamalar bildirmektedir. Bu protokol, tüm iş akışını denetlenebilir hale getirerek bu boşlukları giderir: düşük boyutlu özellik yönlerini çıkarır, yön tutarlılığını doğrular, çoklu kaynaklı ağırlıklı yönlendirilmiş bir grafik oluşturur ve PR merkeziyetini, açıkça raporlanmış tanılamalarla sayısal olarak kararlı blok ön koşullu yinelemeli çözücü kullanarak hesaplar. Ayrıca, sabit kişiselleştirme ortamında hedefli güçten zayıfa yönelik bir müdahaleyi değerlendirerek müdahalelerin merkeziyeti karşılaştırmalı şekilde yeniden dağıttığını nicelder.

Sadece kenarları yeniden ağırlıklandıran veya katman ekleyen PR varyantlarıyla karşılaştırıldığında, bu iş akışı kullanıcıların doğrudan doğrulayıp karşılaştırabileceği ölçülebilir çıktılar sağlar: (i) kenar seviyesinde yorumlanabilir yönsel katkı, (ii) açık ara tanılar (varyans açıklayan hedefler, seyreklik/bağlantı kontrolleri ve çözücü yakınsaması bayrakları) ve (iii) sabit kişiselleştirme ayarı altında belirlenmiş kaynak/hedef setleri için PR değişikliklerini niceleyen bir müdahale-etki metriği. Bu protokol, düğümler mekânsal konumlu ticari birimleri (örneğin, eyaletler, şehirler, ilçeler, platformlar) koordinatlara ve çok değişkenli işletim özelliklerine sahip olduğunda ve özellik alanı aşırı seyreklik veya düşük sinyal gürültüsü yerine istikrarlı düşük boyutlu bir yapı sergilediğinde en uygundur.

Protocol

1. Veri hazırlama ve normalleştirme

1. Veri setini içe aktarın ve filtreleyin. Kamu perakende sipariş veri setini içe aktarın ve 2014–2017 kayıtlarını saklayabilirsiniz¹⁸.
2. Düğümleri tanımlayın. Düğüm kümesi V'yi ABD durumları olarak tanımlayın ve yeterli gözleme sahip durumları korun ki |V|=49. n=|V|.
3. Düğüm düzeyinde özellik vektörleri oluşturuluyor. Her i\in V düğümü için, işlem kayıtlarını toplayın ve 16 boyutlu bir özellik vektörü x_i∈R¹⁶ hesaplayın. Özellik vektörü satış istatistiklerini (toplam, ortalama, standart sapma ve aralık), kâr istatistiklerini (toplam, ortalama, standart sapma ve aralık), miktar istatistiklerini (toplam, ortalama, standart sapma), indirim istatistiklerini (ortalama ve standart sapma) ve kâr marjı (ProfitMargin), sipariş sayısı (OrderCount) ve ortalama sipariş başına kâr (AvgOrderProfit) gibi üç ek göstergeyi içerir.
4. Eksik değerlerin deterministik şekilde ele alınması ve sayısal stabilizator. Eksik türetilmiş özellik girişini 0 ile değiştirin ve yedek sayısını kaydedin. Sonraki hesaplamalarda sıfıra yaklaşabilecek paydalar için sabit bir stabilizatör δ=^10-12 tanımlayın (Denklem 4'te kullanılmıştır).
5. Özellikleri standartlaştırın. Düğümler arasında Z-skor normalizasyonu uygulanarak standartlaştırılmış özellik matrisi X _std∈R^49×16 elde edilir.
   KONTROL NOKTASI 1: X_{\text{std}} standartlaştırmadan sonra 49\çarpı 16 olduğunu ve eksik giriş olmadığını doğrulayın ve sonraki sınıfın toplamını 49'a çıkardığını doğrulayın.
6. Katmanlaştırma için satış sınıflarını tanımlayın. Düğümleri toplam satış ve kayıt sınıf büyüklüklerinin üçlüğine göre üç sınıfa (Düşük/Orta/Yüksek) bölmek (Düşük: 16; Orta: 17; En yüksek: 16)¹⁸. Sınıf üyeliğini c(i) ∈ {L,M,H} ile belirtir.

2. JRS tarafından doğrulanmış PCA boyut küçültmesi (JRS-PCA)

1. Kovaryans tahmini. X_{\text{std}} ile birlikte C kovaryans matrisini aşağıdaki gibi hesaplayın.
   C = cov(X_standart) (1)
2. Ana bileşen çıkarımı. C'nin ilk k özcütünü seyrek özdebileşim ve k = 4 seti ile varsayılan olarak hesaplayın.
3. Varyans açıklandı. Her ana bileşen tarafından açıklanan varyansı ve PCs 1–4² tarafından açıklanan kümülatif varyansı kaydedin.
4. PC puan temsili. Her i düğümü için, PC skor vektörü z_i\in\mathbb{R}^k hesaplayın ve (z_{i,1,z i,2}) kaydınızı görselleştirmek için satış sınıfına göre renklendirilen PC1–PC2 dağınıklığında kaydolun.
5. JRS blok inşaatı. JRS yapılı simplektik blok matrisini aşağıdaki gibi oluşturun.
   S = diag(C,-C) (2)
6. Eşli spektrum tutarlılığı ve açık eşleştirme. S'nin özdeğerlerini hesaplayın, pozitif ve negatif kümelere ayırın, pozitif özdeğerleri azalan sırayla sıralayın ve negatif özdeğerlerin mutlak değerlerini azalan sırayla sıralayın, indeksle eşleştirin ve maksimum eşleştirme sapmalarını \max_j|\lambda^+_j+\lambda^-_j| hesaplayın. Bu eşleştirme kuralı,^{tekrarlanabilirlik 2} için uygulama detayını düzeltir.
   KONTROL NOKTASI 2: PCs 1–4 tarafından açıklanan kümülatif varyansı raporlayın ve yönsel kazanç^{yapısı 2'den} önce stabil düşük boyutlu bir yapıyı doğrulamak için rapor verin.

3. Çok kaynaklı ağırlıklı yönlendirilmiş grafik inşası

1. Mekânsal benzerlik ağırlıkları. Her sıralı çift (i,j) için, uzaysal Gauss çekirdeği ağırlığı aşağıdaki şekilde hesaplanın:
   (3)
   Burada p_i = (x_{i,y i}) düğüm i'nin merkez koordinatını gösterir ve σ bant genişliği, varsayılan olarak 10.0 olarak ayarlanmıştır.
2. Sınıf bazlı sinerji ağırlıkları. Adım 1.6'dan sales-class ilişkisini kullanarak_synergy baseline w syn(i,j) tanımlayın.
   c (i) = c(j) olduğunda w_syn(i,j)=0.6 kümesi, sınıflar bitişik olduğunda (Low–Medium veya Orta–Yüksek) setw_syn(i,j)=0.4 ve sınıflar bitişik olmayan (Low–High) olduğunda w_syn(i,j) = 0,2 kümesi.
3. PCA yön kazancı. PC skor uzayında stabilize edilen birim yönünü şu şekilde hesaplayın:
   (4)
   δ=^10-12 ile . PC1 boyunca negatif olmayan hizalama puanını referans yönü r = (1,0,...,0)^⊤ olarak tanımlayın
   (5)
   Aynı sınıf cezasını şu şekilde tanımlayın:
   (6)
   ve yön kazanç ağırlığını şu şekilde hesaplayın
   w_ori(i,j) = β⋅w_syn(i,j) ⋅ g(i,j) ⋅ π(i,j) (7)
   β=1.0 ile birlikte. Ceza π(i,j), sınıf içi bağlantıyı korurken sınıflar arası bağlantıları teşvik etmek için hafif bir aynı sınıf aşağı ağırlık^{uygular 5}.
4. Ağırlık füzyonu ve kendi kendine loop çıkarma. Yönlendirilmiş ağırlık matrisi oluşturmak için çoklu kaynaklı ağırlıkları birleştirin
   (8)
   ve kendi kendine döngüleri kaldırmak için diag(_{W total}) = 0 ayarlayın.
5. Simetrik inceleme matrisi (isteğe bağlı). Simetrik vekil matrisi hesaplayın
      (9)
   sadece inceleme için.
6. Nicel doğrulama ile seyrekleştirme. W_toplam içinde sıfır olmayan girişlerin en üst q%'sini (defaultq=%35) korunarak seyrek yönlendirilmiş bitişik matris A_dir'i elde edin. nnz(A_dir) ve^{yoğunluk 2'yi} kaydedin ve isteğe bağlı olarak aynı seyrekleşme kuralını_sym için uygulayarak inceleme² için A_sym elde edin.
   KONTROL NOKTASI 3: Seyrekleşmeden sonra nnz(A_dir) ve yoğunluğu raporlayın, zayıf bağlı bileşen sayısını (hedef: 1) bildirin ve herhangi bir sütun toplamının sıfır olup olmadığını kontrol edin. Sıfır toplamlı sütunlar varsa, Step 4.1^2'de sarskan düğüm işleme uygulanır. Eğer seyrekleşme grafiği koparsa, seyrekleştirme katığını ardışık olarak %35'ten %30'a ve ardından %25'e gevşetin ve her ayarlamadan sonra kontrol noktası tekrarlanın.

4. Kategori-blok ön koşullu LGMRES PageRank çözümü

1. Sarskan düğüm işleme ile sütun-stokastik geçiş matrisi. A_dir'in sütun toplamlarını hesaplayın ve çapraz matris D'yi oluşturun. Herhangi bir sıfır toplamlı sütun için, bu sütunu normalizasyondan önceki kişiselleştirme vektörü u ile değiştirin ve sütun-stokastik geçiş matrisi oluşturularak
   W_c = A_dir ^D-1 (10)
2. PageRank doğrusal bir sistem olarak kullanılıyor. PageRank'i sönümleme faktörü α(defaultα=0.85) ve kişiselleştirme vektörü u ile şu şekilde tanımlayın:
   p = (1-α)u + αW_c^⊤p (11)
   ve eşdeğer doğrusal sistemi çözer
   (I-( I -αW_c^⊤)p = (1 - α)u (12)
   (II-withM = I - αW_c^⊤ andb = (1-α)u.
3. Kategori-blok sağ ön koşullayıcı. Düşük/Orta/Yüksek sınıflara karşılık gelen M'nin çapraz alt bloklarını çıkarın ve her çapraz alt blok için psödointersler kullanarak bir blok-çapraz yaklaşım P^{-1} oluşturun. Blok tarafından kapsatılmayan indeksler için, M'nin çapraz girişinin karşılıkını çapraz yedek¹⁹ olarak kullanın.
4. Yinelemeli çözüm ve tanı raporlama. Mp=b'yi sağ ön koşullayıcı ^P-1 ile sınırlı bellekli genelleştirilmiş minimal kalıntı çözücü ile çözebilirsiniz, rtol = 1e−6, atol = 0, maxiter = 500, inner_m = 30, outer_k = 3¹⁹ olarak yapılandırılmıştır. Çözücü bilgi bayrağını kaydedin (hedef: 0), son göreceli kalıntı ‖Mp - b‖₂/‖b‖₂ , ve dış iterasyon¹⁹ sayar.
5. Normalizasyon ve geçerlilik kontrolleri. Küçük negatif değerler oluşursa, onları 0'a kırpın ve maksimum kırpılmış büyüklüğü kaydedin, ardından ∑_ip_i = 1 olacak şekilde yeniden normalize edin.
   KONTROL NOKTASI 4: Rapor bilgisi, rapor ‖Mp - b‖₂/‖b‖₂, rapor ve ∑_{ip i} nitel ifadeler yerine tekrarlanabilirlik tanıları olarak rapor et¹⁹.

5. Müdahale deneyi ve sonuç karşılaştırması

1. Kaynak ve hedef seçimi. Sabit bir kişiselleştirme vektörü u kullanarak, en üst üç düğümü temel p ile kaynak kümesi S olarak, en alttaki üç düğümü hedef küme T olarak tanımlayın ve seçilen^{düğümler 2} kaydedilir.
2. Müdahale gücü, bir cap kısıtlaması ile. ε in[0.05,0.15] içinde, her kaynak düğümden enjekte edilen ağırlık, seyrekleştirmeden sonra o düğümün orijinal çıkış ağırlık toplamının %10'unu geçmesin ve kaynak^{düğüm 2} başına enjekte edilen-orijinalin oranıyla birlikte ε kaydedin.
3. Deterministik kenar ağırlık güncellemesi. Ortalama pozitif kenar ağırlığını A_dir'de hesaplayın
   , ardından her sıralı çifti (s,t) s ∈ Sandt ∈ T ile güncellerin
   _A'dir(s,t) = A_dir(s,t) + εw (13)
   ve A'_{\text{dir}} gibi W_c Adım 4.1'deki gibi yeniden hesaplayın, α ve sizi değişmeden tutarak.
4. PageRank'ı yeniden hesaplayın ve değişimi nicelikle ölçebilirsiniz. 4.2–4.5 numaralı adımları tekrarlayarak p' elde edin, Δp=p'-p hesaplayın ve S ile T^2'deki düğümler için mutlak ve göreceli değişiklikleri bildirin. Çözümleyici tanısının müdahale sonrası hedefler içinde kaldığını (bilgi = 0; kalıntı ≤ rtol) doğrulayın².
   KONTROL NOKTASI 5: \varepsilon raporu verin, kaynak düğüm başına enjekte edilen-orijinal oranını bildirin, çözümleyici bilgisini ve müdahaleden önce ve sonrası kalıntıları bildirin ve S ile T² için Δp özetini bildirin.

Results

Deneysel koşullar ve veriler

Tüm analizler, Windows işletim sistemine sahip masaüstü bilgisayarda yapıldı. İş akışı Python 3.12'de NumPy, Pandas, SciPy ve Matplotlib kullanılarak uygulandı ve rastgele tohum 2025'te^{tekrarlanabilirlik 18'i} desteklemek için sabitlendi. Kamu perakende siparişleri veri seti, 2014–2017 kayıtlarını tutmak için filtrelenmiştir²². Siparişler, 49 düğüm (yeterli gözleme sah...

Discussion

Bu protokol, çok kaynaklı ağırlıklı grafik yapısı, PCA türevi yönlü kazanç ve kategori bloğu önkoşullu LGMRES PageRank^{çözücü 18˒23} entegre ederek merkezi durumu değerlendirmek ve hedef alınan müdahaleleri değerlendirmek için tekrarlanabilir bir iş akışı sağlar. Merkeziyeti tek bir sıralama çıktısı olarak sunmak yerine, iş akışı ara tanılamaları ön plana çıkarır—varyans açıklayan kontroller, seyreklik/bağlantı raporu ve çözücü yak...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Matplotlib	Matplotlib Geliştirme Ekibi		v3.8+ Merkeziyet/müdahale sonuçlarının şekil üretimi ve görselleştirmesi
NumPy	NumPy Geliştiricileri		v1.26+ Sayısal dizi işlemleri ve matris hesaplaması
Pandalar	Pandas Gelişim Ekibi		v2.2+ Veri temizliği, toplama ve tablolu veri yönetimi
Python	Python Yazılım Vakfı		v3.12 Veri işleme ve model yürütme için çekirdek programlama ortamı
SciPy	SciPy Topluluğu		v1.13+ Seyrek lineer cebir ve yinelemeli çözücü desteği (örneğin, LGMRES)