HawkesRank: Event-Driven Centrality for Real-Time Importance Ranking

1. Problématique et Contexte

L'article aborde les limites fondamentales des mesures de centralité classiques (telles que la centralité de Katz, PageRank et la centralité vectorielle) utilisées pour évaluer l'importance des nœuds dans les réseaux. Bien que ces méthodes soient omniprésentes (classements académiques, financiers, politiques), l'auteur identifie cinq limitations critiques :

1. Négligence des drivers exogènes : Les mesures classiques reposent sur une logique endogène (l'importance provient des connexions avec d'autres nœuds importants). Elles ignorent ou simplifient excessivement les facteurs exogènes (intrinsèques ou chocs externes comme la publicité, les nouvelles, les politiques).
2. Nature statique : Elles supposent des structures de réseau fixes et des scores immuables, ce qui les rend incapables de s'adapter aux évolutions temporelles, aux chocs soudains ou aux tendances émergentes.
3. Construction heuristique du réseau : Les matrices d'adjacence sont souvent déduites de manière arbitraire (fenêtres de temps, seuils), introduisant des biais de modélisation qui affectent les résultats.
4. Manque de clarté sémantique : Les scores sont souvent sans dimension et difficiles à interpréter physiquement en termes d'activité observable.
5. Confusion entre valeur intrinsèque et visibilité transitoire : Elles ne distinguent pas la valeur fondamentale d'un nœud de ses pics de visibilité éphémères dus à des stratégies ou à des événements ponctuels.

Le besoin est donc d'un cadre dynamique capable de dissocier l'amplification endogène (réseautique) des drivers exogènes, tout en s'adaptant en temps réel.

2. Méthodologie : HawkesRank

Les auteurs proposent HawkesRank, un cadre dynamique fondé sur les processus ponctuels de Hawkes multivariés auto-excitateurs (SEMHP).

A. Le Modèle Mathématique

L'intensité instantanée $\lambda_i(t)$, qui représente le taux d'occurrence d'événements pour le nœud $i$ à l'instant $t$, est modélisée comme la somme de deux composantes :

$$\lambda_i(t) = \underbrace{\mu_i(t)}_{\text{Exogène (Exo)}} + \underbrace{\sum_{j=1}^{M} \sum_{t_j^k < t} n_{j,i} \phi(t - t_j^k)}_{\text{Endogène (Endo)}}$$

• Composante Exogène ($\mu_i(t)$) : Capture les drivers externes ou intrinsèques (ex: trafic direct, actualités, qualité intrinsèque) indépendamment de l'historique du réseau.
• Composante Endogène : Modélise l'amplification par auto- et cross-excitation.
  • $n_{j,i}$ : Coefficient de fertilité (ou matrice de branchement $N$), représentant l'influence causale moyenne d'un événement de type $j$ sur le type $i$. Cette matrice généralise la matrice d'adjacence.
  • $\phi(t)$ : Fonction noyau (généralement exponentielle $e^{-t/\tau}$) décrivant la décroissance de l'influence dans le temps (mémoire du système).

B. Définition du Classement

Contrairement aux scores statiques, HawkesRank définit l'importance d'un nœud par son intensité instantanée $\lambda_i(t)$. Un nœud avec un $\lambda_i(t)$ plus élevé a une probabilité plus grande de générer le prochain événement, reflétant ainsi son importance réelle à l'instant $t$.

C. Lien avec les Méthodes Classiques

L'article démontre mathématiquement que les mesures classiques émergent comme des limites de champ moyen statiques de HawkesRank :

• Si la mémoire $\tau \to 0$ et que les drivers exogènes sont constants, l'espérance de l'intensité $E[\lambda_i]$ converge vers la centralité de Katz.
• Si le vecteur exogène tend vers zéro, on retrouve la centralité vectorielle.
• PageRank est un cas particulier avec normalisation spécifique.
  Cela valide théoriquement les méthodes existantes tout en exposant leurs limites (hypothèses de stationnarité et d'homogénéité).

3. Résultats Principaux

A. Simulations et Robustesse

Des simulations sur des réseaux générés (modèle Barabási-Albert) montrent que :

• HawkesRank (basé sur les intensités instantanées) suit parfaitement l'évolution dynamique du système.
• Les mesures statiques (Katz, PageRank, etc.) présentent des corrélations de rang fluctuantes et dégradées par rapport à la "vérité terrain" dynamique.
• En cas de choc exogène (augmentation soudaine de l'intensité de base d'un nœud), les méthodes statiques échouent à s'adapter rapidement, tandis que HawkesRank capture immédiatement le changement de hiérarchie.

B. Étude de Cas : Dynamique des Émotions sur YouTube

Les auteurs appliquent le modèle aux messages en direct d'une vidéo YouTube pour classer l'influence de six émotions de base (joie, colère, peur, etc.).

• Comparaison des structures : La matrice d'adjacence construite de manière heuristique (corrélations décalées) diffère radicalement de la matrice de branchement $N$ estimée par HawkesRank. HawkesRank révèle une forte auto-excitation (contagion émotionnelle) et des interactions bidirectionnelles (colère/dégoût) que les méthodes statiques manquent ou déforment.
• Décomposition Temporelle : Le modèle permet de décomposer l'activité totale en parts exogène (réponse au contenu vidéo) et endogène (amplification sociale entre utilisateurs). Cette part endogène varie dynamiquement dans le temps, ce qui est impossible à observer avec des méthodes statiques.
• Performance : HawkesRank identifie que la "joie" domine globalement, mais que les autres émotions fluctuent continuellement, montrant la nécessité d'un classement temporellement résolu.

4. Contributions Clés

1. Cadre Unifié : Intégration des mesures de centralité classiques dans un cadre probabiliste dynamique plus général (Hawkes).
2. Séparation Endo/Exo : Capacité unique à décomposer l'importance en composantes intrinsèques/extérieures et en amplification de réseau, offrant une interprétation causale claire.
3. Classement Adaptatif : Fourniture de scores de centralité en temps réel qui réagissent aux chocs et aux changements de contexte sans nécessiter de réentraînement périodique.
4. Élimination des Hypothèses Arbitraires : Estimation directe de la structure d'interaction ($N$) à partir des données d'événements bruts, évitant la construction heuristique de réseaux.
5. Interprétabilité Physique : Le score de centralité correspond directement à un taux d'événements observable (probabilité d'occurrence), rendant le classement compréhensible et actionnable.

5. Signification et Perspectives

HawkesRank représente un changement de paradigme pour l'analyse de réseaux complexes. Il passe d'une vision structurelle et statique à une vision événementielle et dynamique.

• Applications Potentielles :
  • Finance : Détection de bulles spéculatives (quand l'amplification endogène domine les fondamentaux).
  • Réseaux Sociaux : Distinction entre influence réelle et visibilité artificielle (bots, achats de likes).
  • Santé Publique : Séparation de la transmission de base des pics épidémiques dus à des événements de super-propagation.
  • Science : Évaluation de l'impact intellectuel réel par rapport à la manipulation des citations.

L'article conclut que pour naviguer dans un monde de surcharge informationnelle, les systèmes de classement doivent être fondés sur l'intensité des événements, modélisant explicitement la mémoire et les boucles de rétroaction, afin de prédire et de guider les décisions dans des environnements en évolution rapide.