p As vezes, saber quem ganha e quem perde é mais importante do que como o jogo é jogado. p Em um artigo publicado esta semana em Avanços da Ciência , pesquisadores do Santa Fe Institute descrevem um novo algoritmo chamado SpringRank, que usa vitórias e derrotas para encontrar rapidamente classificações ocultas em grandes redes. Quando testado em uma ampla gama de conjuntos de dados sintéticos e do mundo real, variando de times em um torneio de basquete universitário da NCAA ao comportamento social de animais, SpringRank superou outros algoritmos de classificação na previsão de resultados e em eficiência.

p Física Caterina De Bacco, um ex-bolsista de pós-doutorado no Santa Fe Institute, agora na Columbia University, afirma que SpringRank usa informações que já estão integradas à rede. Ele analisa os resultados de um a um, ou em pares, interações entre indivíduos. Para classificar os times de basquete da NCAA, por exemplo, o algoritmo trataria cada equipe como um nó individual, e representar cada jogo como uma vantagem que leva do vencedor ao perdedor. SpringRank analisa essas arestas, e em que direção eles viajam, para determinar uma hierarquia. Mas é mais complicado do que simplesmente atribuir a classificação mais alta ao time que ganhou mais jogos; Afinal, um time que joga exclusivamente times de baixa classificação pode não merecer estar no topo.

p "Não é apenas uma questão de vitórias e derrotas, mas quais times você venceu e quais você perdeu, "diz o matemático Dan Larremore, um ex-bolsista de pós-doutorado no Instituto Santa Fé, agora na University of Colorado Boulder. Larremore e De Bacco colaboraram com o cientista da computação Cris Moore, também no Instituto Santa Fe, No papel.

p Como o nome sugere, SpringRank trata as conexões entre os nós como molas físicas que podem se contrair e expandir. Como os físicos há muito conhecem as equações que descrevem os movimentos das molas, diz De Bacco, o algoritmo é fácil de implementar. E, ao contrário de outros algoritmos de classificação que atribuem números ordinais aos nós - primeiro, segundo, terceiro, etc, —SpringRank atribui a cada nó um número de valor real. Como resultado, os nós podem estar próximos, espalhado, ou organizados em padrões mais complicados e reveladores, como clusters de nós classificados de forma semelhante.

p "As ideias da física muitas vezes nos fornecem algoritmos elegantes e eficazes, "diz Moore." Esta é outra vitória para essa abordagem. "

p No papel, os pesquisadores testaram o poder preditivo do SpringRank em uma variedade de conjuntos de dados e situações, incluindo torneios esportivos, comportamentos de dominação animal entre periquitos em cativeiro e elefantes asiáticos em liberdade, e práticas de contratação de professores entre universidades.

p Os pesquisadores enviaram o código do SpringRank para o GitHub, um repositório de código online, e dizem que esperam que outros pesquisadores, especialmente nas ciências sociais, vai usá-lo. "Pode ser aplicado a qualquer conjunto de dados, "diz De Bacco.

p O próximo conjunto de dados que ela e seus co-autores planejam analisar com SpringRank é diferente de qualquer um dos apresentados no Avanços da Ciência papel. Eles trabalharão com Elizabeth Bruch, professor externo do Instituto Santa Fe, para analisar os padrões de mensagens nos mercados de namoro online.