푸시 알고리즘으로 보는 일반화된 스펙트럴 랭킹

본 논문은 개인화 PageRank 연구에서 처음 제안된 푸시 알고리즘을 일반적인 비음수 행렬 M에 적용할 수 있도록 확장한다. 행렬 M은 ‖M‖₁=1 로 정규화되어 행합이 1 이하이며, 최소 하나의 행은 정확히 1이다. 이러한 전제 하에 스펙트럴 랭킹 r은 (1−α)v(1−αM)⁻¹ 로 정의되며, 여기서 v는 확률분포, α는 감쇠계수이다. r은 반드시 확률분포가 될 필요는 없으며, M이 확률전이행렬일 때만 PageRank와 동일해진다. 알고리즘의 핵심은 두 벡터 p와 r을 동시에 관리하면서 invariant p+(1−α)r(1−αM)⁻¹=(1−α)v(1−αM)⁻¹ 를 유지하는 것이다. 초기에는 p=0, r=v 로 시작한다. “푸시” 연산은 선택된 노드 x에 대해 rₓχₓ 를 p에 추가하고, rₓχₓ−α∑_{x→y}m_{xy}χ_y 를 r에서 차감한다. 이 연산은 ℓ₁‑노름을 감소시키며, 언제나 ‖p‖₁+‖r‖₁≤1 을 만족한다. 오차는 ‖(1−α)r(1−αM)⁻¹‖₁ ≤ (1−α)‖r‖₁ 로 직접 제어 가능하고, ‖r‖₁/‖p‖₁ 를 상대오차 지표로 사용할 수 있다. 푸시 순서는 두 가지 전략으로 구현될 수 있다. 첫 번째는 “우선순위 큐” 방식으로, 현재 rₓ가 ε‖p‖₁/n 보다 큰 노드만을 큐에 넣고 rₓ가 큰 순서대로 처리한다. 이 경우 각 푸시마다 O(log n) 비용이 발생하지만, 전체 푸시 횟수가 크게 감소한다. 두 번째는 “FIFO 큐” 방식으로, 큐에 들어간 노드를 다시 삽입하지 않으며 상수시간으로 접근한다. 순서가 최적이 아니어 푸시 수가 늘어날 수 있지만, 큐가 커질 때 로그 비용이 부담이 되지 않는다. 실험 결과, 큐가 작을 때는 우선순위 방식이, 큐가 클 때는 FIFO 방식이 더 효율적임을 확인한다. 메모리 사용을 최소화하기 위해 방문한 노드에 대해 발견 순서대로 정수 ID를 부여하고, 벡터 p와 r을 이 순서에 따라 저장한다. 이렇게 하면 전체 그래프 크기가 아니라 실제 탐색된 부분 그래프의 크기만큼 메모리를 차지한다. 수렴성에 대한 기존 연구는 거의 없으며, Andersen·Chung·Lang은 의사랭크와 M의 정규화 상태 사이의 비율 수렴을 보였을 뿐이다. 본 논문은 푸시 횟수 t 에 대해 ℓ₁‑노름이 ‖r‖₁ ≤ (1−α)·α^{t} 와 같이 지수적으로 감소함을 증명한다. 따라서 α가 1에 가까울수록 더 많은 푸시가 필요하지만, 푸시 횟수가 늘어날수록 오차는 급격히 줄어든다. 추가적인 최적화로, 특정 정점 x에 대한 스펙트럴 랭킹 sₓ=(1−α)χₓ(1−αM)⁻¹ 가 사전에 계산되어 있으면, 푸시 시 rₓ·sₓ 를 p에 바로 더하고 rₓ를 0 으로 만들 수 있다. 이를 “허브” 기법이라 부르며, 여러 정점에 대해 동시에 적용하면 전체 푸시 수를 크게 줄일 수 있다. dangling 노드가 존재하는 경우, 행이 모두 0인 행을 임의의 확률분포 u 로 채워 만든 행렬 P 를 사용한다. 이때 θ 라는 스칼라를 도입해 dangling 노드에서 흐르는 랭크를 별도로 누적한다. 업데이트 규칙은 다음과 같다: (1) 비‑dangling 노드 x에 대해 기존 푸시와 동일하게 r와 p를 수정하고, (2) dangling 노드 x에 대해서는 rₓχₓ 를 r에서 차감하고 θ에 αrₓ 를 더한다. 최종 근사는 p+θ·s ( s는 P 에 대한 스펙트럴 랭킹) 로 얻어진다. 전체적으로 논문은 푸시 알고리즘을 “p와 r의 ℓ₁‑노름 관리”라는 관점에서 재정의하고, 우선순위 관리, 메모리 효율, dangling 처리, 사전 계산된 스펙트럴 랭킹 활용 등 실용적인 구현 세부사항을 체계화한다. 이를 통해 비정규 행렬에 대해서도 효율적인 스펙트럴 랭킹 계산이 가능함을 보이며, 기존 PageRank 및 개인화 검색 연구와 자연스럽게 연결한다.