Глибоке дослідження алгоритму особистої довіри OpenRank: як побудувати соціальний обчислювальний шар?

Автор: Ендрю Хонг

Компіляція: Ladyfinger, BlockBeats

Редакція:

У цій статті автор детально розглядає алгоритм Eigentrust OpenRank, який наразі використовується новітніми технологіями Metamask Snaps, Degen tips та Supercast. OpenRank, як обчислювальний рівень, може виконувати різні алгоритми графів доброчесності, першим з яких представлений алгоритм eigentrust. Автор поділяється причинами, чому потрібно будувати графік спільноти, ключовими концепціями алгоритму, його роботою, а також тим, як створити власний графік. Крім того, автор попереджає про майбутнє завдання Bytexplorers та закликає читачів підписатися, щоб отримувати останні новини.

Сучасні криптовалютні фронтенди в основному містять прості рейтинги, топ-токени, які сортуються за обсягом угод, ліквідністю, мінтингом, балами, голосуванням тощо. Якщо ми хочемо створити споживчий досвід з криптовалют, який перевершить сучасних гігантів Web2, нам потрібно у нашому додатку не лише рейтинги.

OpenRank є одним з основоположних принципів, який допомагає нам досягти цієї мети, і вже використовується Metamask Snaps, Degen Tips і Supercast. OpenRank - це обчислювальний шар, який може виконувати багато алгоритмів графів репутації, перший з яких - це алгоритм eigentrust.

У цій статті я розповім вам про алгоритм eigentrust OpenRank та обговорю обрані теми:

Важливість побудови спільноти та чому вам це потрібно

Ключові концепції та принцип роботи цього алгоритму

Як створити свій власний графік, дивіться приклад, який я створив у своєму блокноті Python

Давайте почнемо!

Чому вам потрібно будувати рекомендаційний граф разом зі спільнотою, а не лише покладатися на свою власну команду машинного навчання?

При побудові алгоритмів та рекомендаційних потоків у криптовалюті ви швидко зіткнетеся з деякими проблемами з даними:

· Торгівля містить багато рівнів операцій

Взаємозв’язки між адресами можуть стати дуже складними через багаторазові операції.

· Адреса сама по собі містить частину ідентичності, кожна ідентичність в різних контекстах пов’язана

Всі три точки надалі розвиваються експоненційним темпом, давайте називати ці ростучі елементи «контекст».

Ваша невелика команда з машинним навчанням не може встигнути за цими безкінечними ідеями

Тобто ви також не хочете, щоб ваша back-end або команда інженерів даних займалася цими питаннями, нарешті, вони мають будувати продукт. Епоха, коли додаток мав структуру користувача та користувальницьких даних, вже закінчилася, ви вже не маєте лише простого посилання, ідентифікатора користувача, вподобань/відповідей/поділитися та ідентифікатора повідомлення, ви можете мати обмін, розподіл, втрату, обмін, заставу, делегування, голосування, мінтінг та інше. Майже кожен день з’являються нові “операції”, а також нові ланцюжки, нові типи гаманців, нові типи ідентичності та інше.

Я вірю, що протягом наступного року галузь криптовалюти розвинеться в графову наукову спільноту на основі протоколу та продуктів OpenRank

Я вже багато років перебуваю в спільноті wizard Dune та бачив потужну силу спільноти, яка перевищила можливості невеликих команд. Я також бачив, як практично кожна невелика криптокоманда переходила від ‘так, ми можемо зробити це за допомогою одного вузла та бази даних RDS’ до ‘нам потрібно використовувати інструменти спільноти, побудовані, наприклад, на The Graph та Dune’. Для мене створення запитів та комбінацій графіків для рекомендаційних потоків та налаштування спільноти для конкретних типів це схожа проблема. Нам потрібно почати збирати та тестувати графіки, які можуть надавати рекомендаційні потоки на кожному додатку, від клієнта Farcaster до провідника блоків.

Концепція рекомендаційного потоку є мімікрізмом і буде витіснена. Користувачі стають кураторами вмісту.

У сфері криптовалюти, користувачі хочуть не тільки перенести свою соціальну графу до різних додатків, але й забрати з собою контекст, прихований в цих графах. Якщо я активно стежу за спільнотою /degen на Farcaster, я хотів би бачити рекомендації щодо активностей цієї спільноти на Zora, Roam.xyz або OnceUpon, і я хотів би мати можливість переключатися між контекстами іншої спільноти, в якій я беру участь, наприклад, колекціонерів на artblocks. Майбутнє належить епохі, коли користувачі знаходять і вибирають свої стрічки новин, а не обмежуються функціоналом окремої платформи.

Як працює алгоритм Eigentrust OpenRank?

Eigentrust алгоритм схожий з PageRank, він ранжує вузли в графовій мережі. Відмінність полягає в тому, що він акцентує на складних взаємозв’язках між вузлами, як розподіл довіри. Спочатку він був розроблений для надання рейтингу довіри у мережі обміну файлами. У галузі криптовалюти, ви можете уявити, як його використовувати для делегування високоякісних управлінських органів або визначення надійних смарт-контрактів.

Нижче наведена формула Eigentrust:

Вище наведено два ключові входи: вузли передбачуваної довіри та локальні довірені графіки. «P» - ваша передбачувана довіра, «S» - ваша локальна довіра.

· Локальне довір’я (localtrust): це вимірює вашу взаємодію між двома вузлами, коли вузол «i» передає якусь цінність вузлу «j». Це може бути передача токенів, докази, відповіді на голосування / лайки тощо.

· Попереднє довір’я (pretrust): це вибір «насіння» в мережі, яке повинно бути більш довірене.

· 「c」: Ця константа (від 0 до 1) є вагою значення довіри між загальним довір’ям локального графа та попереднім довір’ям. Взаємодійний граф зазвичай має степеневий розподіл, тому висока вага попереднього довіри сприяє нормалізації розподілу остаточних значень рангу.

Якщо ці математичні формули не зовсім зрозумілі, їх можна уявити як соціальну графіку, подібну до Twitter, де вплив, такий як фоловери, лайки, відповіді тощо, зазвичай концентрується на декількох людях, що призводить до динаміки степеневого розподілу. Шляхом встановлення групи впливових осіб та вибору константи “c” значення 0,5 або вище, фактично, люди, які взаємодіють з цими довіреними особами, успадковуватимуть половину цієї впливової вартості. Це спосіб більш рівномірного збалансування та розподілу балів довіри в мережі.

Як це пов’язано з вибором будь-якого контексту та створенням будь-якого рекомендаційного потоку?

Припустимо, ви хочете відсортувати 10000 фінансових пропозицій у рекомендованому потоці. На основі взаємодії голосування (місцевого довіри) та вашого власного вибору довірених голосувальників (попереднього довіри), ви можете ранжувати всіх голосувальників та пропонентів за значенням. Ви можете вибрати своїх довірених голосувальників, вибравши 10 перших голосувальників, яким ви передаєте голоси в кількох DAO. Eigentrust буде працювати на основі цих двох вхідних даних та надавати вам більший список голосувальників в порядку за довірою, успадкованою від попереднього вузла довіри в графі.

Таким чином, ви зараз можете використовувати цей список вартості рейтингу, щоб зважити пропозиції з реальним часом управління, щоб отримати більш індивідуальний рекомендаційний потік!

Це може бути занадто абстрактним, тому я поясню це на конкретних прикладах коду в наступному розділі. Пам’ятайте, що OpenRank обробляє обчислення та зберігання цих графів Eigentrust і рекомендує використовувати вихідний потік рекомендацій. Вам потрібно лише вирішити, які вхідні дані щодо передбачуваної довіри та локальної довіри використовувати.

Як скористатися OpenRank для побудови графа Eigentrust?

Остаточна мета

У цьому прикладі я хочу надати стрім підписки на рекомендовані контракти на основі гаманця користувача Farcaster/base (Farcaster - це додаток, схожий на Twitter). Вихід - це просто список, що містить ідентифікатори та значення, в моєму графі, кожен ідентифікатор пов’язаний з ідентифікатором користувача Farcaster (fid).

Джерело даних

Після створення графіка рейтингів ми автоматично згенерували цей рекомендований потік на основі їх головних контрактів минулого тижня.

Джерело даних

Ви можете переглянути панель і подивитися інші рекомендовані потоки, створені з цього графіка, такі як мінтинг NFT, торгівля токенами DEX та активності каналу Farcaster.

Реалізація коду

Тепер, коли ви бачите ціль, давайте поговоримо, як я створив цю діаграму рейтингу.

Усі коди цього прикладу можна знайти в записнику hex.tech, або ви можете використовувати блокнот jupyter, якщо ви віддаєте перевагу локальному запуску.

По-перше, я створив два запити для нашої попередньої та локальної довіри відповідно:

Перший запит - це наша “попередня вузлова точка (pre-trusted node)”. Цей запит виводить високорівневих користувачів з каналу /base, оснований на отриманій взаємодії (лайки, репости, коментарі). Моя формула: (лайки + 3 репости + 10 коментарів). Ми візьмемо перші 100 ідентифікаторів з цього запиту як наші довірені вузли.

Джерело даних

Другий запит призначений для відстеження взаємодії між вузлами на ланцюжку, використовуючи адресу зв’язку користувача в каналі /base. Оскільки підписка на потік рекомендує ланцюжкові операції, я хочу переконатися, що вибирається граф взаємодії на основі обсягу ланцюжкової взаємодії. Використання доларової вартості, що передається між вузлами, є хорошим загальним проксі - я відстежую стабільні монети та передачі ETH на Optimism, Base та головній мережі Ethereum.

Джерело даних

Аналіз вхідного зображення та тестування вихідного зображення Eigentrust

Зараз у нас є передплатник вузла та локальний довірений графік, щоб переглянути деякі загальні статистичні дані. У каналі /base 65,755 користувачів передали токени іншим людям у цьому каналі, із нашого передплатника вузла можна обійти 19% графа (тобто підключені вузли). Цей відсоток може відрізнятися в залежності від ступеня сибілізму локальних даних довіри графа. Передача токенів може бути високосигнальною, але також може бути зловмисним свопінгом, тому не дивно, що більшість графа не підключена.

Після перевірки розміру вхідних даних та раціональності з’єднання ми можемо запустити та зберегти наш граф Eigentrust. Я зберіг свій граф як id«base_transfer_50»— ви можете побачити, що для навчання графа потрібні всього 10 рядків коду. OpenRank SDK можна розглядати як scikit-learn для шифрування графічних моделей.

Пам’ятаєте константу ‘c’ у попередньому рівнянні? Давайте проведемо решітчастий пошук для різних значень ‘c’ (я називаю його альфою) та різного розміру початкового насіння довіри, щоб побачити, яка з них надасть нам найвищий рейтинг довіри за логарифмічною нормальною функцією та найвище покриття:

Тут є багато компромісів, немає однієї найкращої вартості для вибору. Якщо ви хочете рекомендувати з високою регуляризацією та охопленням, то це не погані вибори, але для високоризикового управління ви можете фактично захотіти більш високий ступінь довіри. Тут можна використовувати своє власне відчуття.

Звідси ми можемо вставити значення в підписаний запит, який починається з підключення до панелі приладів Dune, щоб отримати потік взаємодії з контрактами в /базовому каналі від впливових користувачів. Цей суб’єктивний рекомендований вивід допомагає нам краще пов’язувати попередні загальні показники з нашим очікуваним інтуїтивним відчуттям якості рекомендаційного виводу.

Зроблено! Ви можете використовувати цей Dune API прямо зараз для будь-якої вашої програми.

Навчання побудові власного графіка OpenRank Eigentrust

Ти готовий взяти справи у свої руки? Ти можеш форкнути мій ноутбук і спробувати самостійно, усі необхідні посилання наведені нижче:

·OpenRank Документи

·репозиторій Python SDK

·Python Зошит

· Панель кормления песчаных дюн

Я запущу завдання від Bytexplorers протягом наступного місяця, ми будемо змагатися в створенні найкращої підписки на графік для провідних криптографічних додатків.