AntipovSN and MihhaCF


Часть вторая, в которой Атосу все норм, а вот Графу де ля Фер чего-то не хватает


Вступление от авторов:


Добрый день! Сегодня мы продолжаем цикл статей, посвященный скорингу и использованию в оном теории графов. С первой статьей Вы можете ознакомиться здесь.


Все шуточные аллегории, вставки и прочее призваны немного разгрузить повествование и не позволить ему свалиться в нудную лекцию. Всем, кому не зайдет наш юмор, заранее приносим извинения


Цель данной статьи: не более, чем за 30 минут, описать основные способы хранения данных о графах и описать правила и принципы построения нашей модели для скоринга заемщика.


Термины и определения:


  • Хеш-таблица — это структура данных, реализующая интерфейс ассоциативного массива, она позволяет хранить пары (ключ, значение) и выполнять три операции: операцию добавления новой пары, операцию поиска и операцию удаления пары по ключу. Поиск по хеш-таблице, в среднем, осуществляется за время О(1).

Аудиторы, нанятые ПАО «Король» для оценки кредитоспособности НПАО «Один за всех», столкнулись с некоторыми проблемами. С одной стороны, описать схему взаимодействия 10-15 компаний и провести первичную оценку взаимодействия между компаниями очень просто, достаточно иметь под рукой лист бумаги и ручку. Но, что делать, если у вас имеется информация о взаимодействии десятков или сотен тысяч компаний? Например, если Вам нужно описать взаимодействия Арамиса со всеми его пассиями или Д’артаньяна со всеми, с кем он дрался?


Как хранить данные об этих взаимодействиях?


Какие структуры данных и подходы использовать?


Аудиторам пришлось бы сажать за эту работу целый монашеский корпус писунов.
Мы так делать не будем и наделим наших аудиторов знаниями и технологиями будущего (отправим к ним Прометея в виде Т-800, который даст им свет знаний).


Ну, что ж, начнем отвечать на поставленные вопросы. Да будет свет!


Как мы уже писали и рисовали здесь, граф – это отношение 2-х множеств – множества узлов и множества ребер. Как же лучше хранить граф?


Прежде чем ответить на вопрос как хранить граф, нужно решить, а что конкретно мы хотим хранить и в каком виде.


По теории графов узлами графа могут быть любые объекты с любым набором параметров (этот факт пригодится нам позже, для продвинутых/адаптивных моделей расчета скорингового бала).


Так что же нам нужно хранить?


Как минимум, идентификатор узла и идентификаторы его соседей (с кем связан). Наличие этих данных уже позволяет осуществлять поиск в ширину и глубину.


Нужно ли хранить данные о ребрах графа? Да, если мы имеем дело со взвешенным графом. В нашем случае, мы имеем дело со взвешенным графом и в первой статье мы нарисовали именно такой граф.


Достаточно ли этой информации? Нет.


Откуда взялись веса у ребер? В учебниках эта информация просто есть, кто-то ее собрал и обработал до нас. В нашем же позднем средневековье (именно тогда жили мушкетеры) никто не озаботился подсчетом весов ребер нашего графа. Мы должны сделать это сами. В этой и следующей статье мы не будем расписывать конкретную методику расчета веса ребра, это будет сделано в 4 статье. Сейчас нам важно определиться какую информацию о нашем графе мы будем хранить.


Итак, в нашем случае, есть три ключевых параметра, которые мы должны знать для корректного расчета скорингового балла:


  • Внутреннюю оценку узла – складывается из показателей, характеризующих узел (оборот, задолженности, штрафы и пр). В нашем примере это будут:
    • Оценка — хороший или плохой узел по отношению к НПАО «Один за всех»;
    • Ранг узла – Король имеет наивысший ранг, Бонасье – наименьший;
    • Объем фондов, проще говоря, состоятельность.
  • Оценку ребра. В нашем случае оценка связи будет для каждого узла – это значит, что связь Бонасье – Констанция может не равняться связи Констанция – Бонасье, т.к. они имеют разные возможности влияния друг на друга.
  • Уровень узла – храниться не будет, но является важным показателем.

Не спрашивайте откуда взялись в модели все эти числа, Д’артаньян так видит. В реальной жизни эти показатели будут рассчитываться тоже не нами (торговый оборот, долги, штрафы и пр. мы берем из уже существующих источников, мы ж не в средневековье, вроде).


Из всего вышеперечисленного получается, что мы должны хранить помимо идентификаторов узлов, параметры каждого узла и веса ребер, которые мы получаем на основании агрегации параметров узлов.


Итого, хранению подлежит следующая информация:


  • Название узла;
  • Параметры узла;
  • Соседи узла;
  • Вес ребра для каждого соседа.

Отлично! Разобрались, что нам нужно хранить. Теперь — как хранить.


И опять небольшое отступление.


Как будет выглядеть наш процесс скоринга в упрощенном виде:


  • Сбор данных об объекте;
  • Формирование объекта, который будет описывать модель графа. Именно на этом объекте мы будем проводить все наши операции скоринга.

Исходя из этих двух этапов у нас есть три варианта:


  • Храним данные об объекте скоринга на SQL / NoSQL сервере. Все операции, связанные с расчетами, алгоритмами и пр. проводим непосредственно на сервере;
  • Храним данные об объекте скоринга на SQL / NoSQL сервере. На основании этих данных создаем отдельный объект (например, хеш-таблицу), с которой проводим все основные вычисления;
  • Данные об объекте скоринга храним в оперативной памяти. На основании этих данных создаем отдельный объект (например, хеш-таблицу), с которой проводим все основные вычисления.

Основные требования к данному процессу:


  • Скорость работы;
  • Надежность;
  • Верифицируемость.
    Теперь давайте рассуждать. Сядем, как наши мушкетеры за кружечкой чего они там пили, чая, например. Главное, чтобы нам не мешали всякие петухи с гвардейцами.

Если нужно долговременное хранение, то можно выбрать таблицу, с соответствующими значимыми полями. В NoSQL или оперативной памяти лучше хранить данные в виде списка или справочника (хеш-таблица) объектов.


{ 'Id': 1, 'Title': 'НПАО Один за всех', 'Rang': 4, 'Type': 'НПАО', 'Profit': 10000 }

С вершинами более-менее понятно. Как же лучше представить дуги/ребра графа? Для этого нужно понимать основной принцип любых аналитических операций над графом – обращение к любой дуге/ребру должно происходить очень быстро, желательно, чтобы время обращения было равно O(1). Сразу в голову приходить массив или матрица – структура, в которой к любому элементу можно обратиться быстро по индексу.


[i,j] – элемент матрицы обозначает дугу графа, где i- идентификатор начальной вершины, j — идентификатор конечной вершины, обращение и выбор начальной вершины происходит непосредственно по идентификатору начальной вершины. Пересечение i и j хранит вес ребра.


В таком представлении есть несколько минусов:


  • Часто структура бывает избыточна, особенно, если граф разреженный (малое количество ребер), много пустых значений, которые обозначают, что связи нет.
  • Для нахождения всех соседей вершины нужно перебрать массив всех элементов i-той строки матрицы отношений.
  • Матрицу с многими столбцами не сохранить в БД.

Следующий вариант хранения дуг/ребер – таблица, то есть набор столбцов и строк.
Например:



Такую структуру можно легко сохранить в реляционной БД и при выполнении SQL запросов выбирать нужные значения, но, когда речь идет об оперативной памяти, сложность поиска всех ребер вершины увеличивается и в общем случае занимает O(n) где n количество всех ребер графа.


Существует еще один очень хороший метод хранения графа для использования практически во всех системах, лишенный недостатков, описанных выше — это справочник ключ-значение или хеш-таблица. Получение всех ребер нужной вершины происходит с O(1) скоростью.
Существенный минус, что не все языки программирования поддерживают такую конструкцию.


Как же можно представить подобную структуру в разных системах?


В реляционной базе можно реализовать связь таблиц объектов и ребер (предыдущий пункт)



NoSQL


{ 'Id': 1, 'Title': 'НПАО Один за всех', 'Rang': 4, 'Type': 'НПАО', 'Profit': 10000, 'Relations': [{3,2}, {4,5}, … {n, -5}] }

При обращении к объекту по его ключу, сразу получаем набор его связей. Если у нас невзвешенный граф, вместо массива объектов можно передать массив идентификаторов соседей Relations: [3,4, … n]. В виде справочника ключ – значение, такой вариант похож на предыдущий. В справочнике ключ – значение можно хранить такой же объект, как в предыдущем примере, ключом, конечно, будет являться идентификатор вершины (может быть число, может быть строка и т.д., что позволяет конкретная системы разработки). Так же в справочнике можно хранить только массивы связей, а информацию о вершинах в другом справочнике.


Graf[1] = { 'Id': 1, 'Title': 'НПАО Один за всех', 'Rang': 4, 'Type': 'НПАО', 'Profit': 10000, 'Relations': [{3,2}, {4,5}, … {n, -5}] } 

или


graf['one_for_all'] = 'Relations': [{3,2}, {4,5}, … {n, -5}]

Для нашего примера мы выбрали вариант хранения данных в оперативной памяти с созданием хеш-таблицы для скоринга данных. Промежуточные результаты будем записывать в файл на сервере.


Со структурами хранения худо – бедно определились, теперь пришло время разобраться, с чего начать построение нашей аналитической модели. Начнем с простого- определим взаимодействие с ближайшими соседями и с соседями соседей (друзья друзей).


Таким образом можно определить взаимодействие со всем связанными между собой вершинами. По нашим наблюдениям взаимодействие с соседями глубже 2 уровня представляет интерес только в особенных случаях и рассчитывается по другим методикам. Сложность этого расчета довольно велика 0(2^n).


Для расчета бала мы будем использовать немного измененный алгоритм поиска в глубину.


Доработка будет заключаться в следующем:


  1. Нужно найти не конкретную вершину, а перебрать все вершины на глубину n, для нашей задачи n=2.
  2. Мы не должны хранить лишнюю информацию и должны предполагать, что расчет может производиться для любого узла графа, поэтому уровень узла храниться в графе не будет.
  3. Если в вершину ведут 2 и более путей, то оцениваются все пути, т.к. мы имеем дело с двунаправленными связями и необходимо максимально полно оценить взаимодействия узлов.
  4. Нужно иметь возможность определять уровень вложенности любой вершины для конкретного расчета.

Ну, что ж, основные теоретические выкладки сделаны, пусть они и покажутся кому-то чем-то простым и банальным. Но для нас, гасконцев, это все важно и интересно, почти так же, как поступление в Королевские мушкетеры.


Переходим к практической реализации. Один за всех и все на одного!


Встретимся! Мы обязательно встретимся! Может быть через 10 лет или 20! Но встретимся!


Следующая статья близко!

Комментарии (8)


  1. nitrosbase
    24.08.2019 00:33
    +1

    Не сомневаюсь, что в стихах это было прекрасно, просто прекрасно.


    1. MihhaCF Автор
      24.08.2019 20:00

      Это сарказм? Или я что-то пропустил?


      1. nitrosbase
        25.08.2019 18:22

        Да, это отсылка к анекдоту про поручика Ржевского, положившему начало известному мему с участием некоторых из действующих лиц вашего цикла статей.


        1. MihhaCF Автор
          25.08.2019 18:37

          О, как! Анекдот знаю, а, вот, мем уже нет. Представляется только мем — " Я — Д'артаньян, а Вы — пи… сы" ))))


  1. mnbmnb
    24.08.2019 20:00

    Анализ графов это, конечно, весело. Но дрожь до костей пробирает, когда осознаешь сколько всего про нас знают, кому мы и имя чужой собаки не сказали-бы…


  1. ads83
    25.08.2019 09:55

    С интересом начал читать серию статей. Объяснение на живых примерах — это здорово!
    Но мы на техническом ресурсе, и остро не хватает технических деталей. Еще хуже, что в статье нет ссылок на углубление в тему для заинтересовавшихся. Почему-то не используете устоявшиеся термины, что помогло бы в поиске: с одной стороны, больше ключевых слов в статье — больше людей ее найдут, с другой — по ключевым терминам можно погуглить детали.


    Например, вы описываете способ хранения весов ребер. Первый — это матрица смежности. Два слова позволят любопытным-но-не-в-теме узнать что это такое, а ссылка на толковую статью чем этот способ плох и когда хорош сделает статью полезной.
    Второй способ хранения я не опознал. Было бы здорово, если вы укажете как он называется. Идеально, если со ссылкой на (хорошую!) статью по этой структуре данных.


    Второй момент: вы описали две структуры данных. А какие еще используются? Понятно, что обзор в статью не влезет, но ссылка даст ответ, не отвлекая от связей миледи.


    Ну и раз вы сказали однажды О(n), то потрудитесь сделать это во всей статье. Когда выгодна матрица смежности? Поиск соседей по второму варианту линейный, а что с добавлением ребра, затрачиваемой памятью и другими операциями? При каких условиях/задачах эта структура неэффективна?


    P.S. Надеюсь, мой комментарий поможет улучшить статью и серию в целом. Я осознаю, что хотя объем статьи почти не изменится, а трудозатраты технического специалиста вырастут. К сожалению, для хорошей технической статьи это неизбежно.


    1. AntipovSN
      25.08.2019 20:39

      Спасибо за замечания и предложения! Для нас этот опыт (написание технических статей) новый, думаю мы что-нибудь поправим в этой и последующих статьях. Постараемся больше уделять внимания, хотя бы названиям тех или иных структур, методов и алгоритмов. Некоторые термины, которые нам кажутся более важными для понимания темы, мы описываем в начале статей. Про указание ссылок нужно так же подумать, где то в правилах публикации статей было написано, что это не желательно делать. Думаю пара-тройка терминов не перегрузят текст скучным контентом, а нас работой ))


    1. MihhaCF Автор
      26.08.2019 10:20

      Спасибо за Ваш комментарий и время на него потраченное.
      Мы не ставили себе цель широко раскрывать теоретические моменты, у нас есть конкретная задача, которую мы хотим решить и рассказать об этом максимально доступным языком. Технических деталей с каждой статьей будет все больше, никуда мы от этого не денемся))
      Но, как написал мой коллега AntipovSN и в чем я с ним согласен, если есть запрос на более подробную теорию, то мы уделим этому внимание