Аннотация. Методы ранжирования являются фундаментальными инструментами анализа данных, применяемыми в рекомендательных системах, теории социального выбора и принятии решений. Хотя методы, подобные HodgeRank, используют топологические свойства данных о предпочтениях, их эмпирическая производительность на реальных циклических наборах данных остаётся недостаточно изученной. В данной статье представлено комплексное сравнение четырёх методов ранжирования — HodgeRank, Borda Count, Bradley-Terry и Spectral Ranking — на трёх наборах данных с различными уровнями цикличности (от 55% до 96%). Производительность оценивается по попарной точности (PA); устойчивость подтверждается 5-кратной перекрёстной проверкой; статистическая значимость различий проверяется критерием Макнемара с поправкой Бонферрони; согласованность top-k результатов измеряется индексом Жаккара J и коэффициентом Кендалла τ. Ключевые результаты выявляют нелинейную зависимость между цикличностью и производительностью HodgeRank: PA достигает пика при умеренной цикличности (0.851 при β₁ = 82%), но снижается как при низкой (0.574 при 55%), так и при высокой (0.791 при 96%) цикличности. Bradley-Terry демонстрирует наивысшую среднюю точность (0.767) и высокую стабильность по результатам перекрёстной проверки. На высокоцикличных данных SUSHI3 три метода — Bradley-Terry, Borda и Spectral — достигают полного консенсуса в top-10 (J = 1.000), тогда как HodgeRank принципиально расходится со всеми тремя (J = 0.250, τ = −0.283) — это расхождение статистически подтверждено критерием Макнемара (χ² = 119.4, p < 0.001) при разнице в попарной точности всего 5.8 п.п. Результаты показывают, что агрегированных метрик точности недостаточно для принятия обоснованных решений о развёртывании систем ранжирования.

Ключевые слова: методы ранжирования, HodgeRank, цикличность, агрегация предпочтений, попарное сравнение, модель Bradley-Terry, метод Борда, комбинаторная теория Ходжа.