page page ran算法page page rank算法page page rank算法page page rank算法.doc

PageRank算法 摘要：本文较为详细地介绍怎样计算pagerank值的，主要通过入链网页的数量和质量综合计算出该网页的PR值，不过PR值是需要更新的，而且稳定的PR值才是最后的PR值。单纯地计算的PR值参考价值不是特别大，只有结合了概率矩阵和阻尼系数计算出来的PR值才有参考价值。 关键词：入链数量；入链质量；阻尼系数；概率矩阵 引言：pagerank算法是Google创始人拉里·佩奇和谢尔盖·布林于1997年构建早期的有哪些信誉好的足球投注网站系统原型时提出的链接分析算法。目前很多重要的链接分析算法都是在PageRank算法基础上衍生出来的。PageRank是Google用于用来标识网页的重要性的一种方法，是Google用来衡量一个网站的好坏的唯一标准。在揉合了诸如Title标识和Keywords标识等所有其它因素之后，Google通过PageRank来调整结果，。其级别从0到10级，10级为满分。PR值越高说明该网页越受欢迎（越重要）。例如：一个PR值为1的网站表明这个网站不太具有流行度，而PR值为7到10则表明这个网站非常受欢迎 2. 从入链数量到 PageRank 在PageRank提出之前，已经有研究者提出利用网页的入链数量来进行链接分析计算，这种入链方法假设一个网页的入链越多，则该网页越重要。早期的很多有哪些信誉好的足球投注网站引擎也采纳了入链数量作为链接分析方法，对于有哪些信誉好的足球投注网站引擎效果提升也有较明显的效果。 PageRank除了考虑到入链数量的影响，还参考了网页质量因素，两者相结合获得了更好的网页重要性评价标准。对于某个互联网网页A来说，该网页PageRank的计算基于以下两个基本假设： ? 数量假设：在Web图模型中，如果一个页面节点接收到的其他网页指向的入链数量越多，那么这个页面越重要。? 质量假设：指向页面A的入链质量不同，质量高的页面会通过链接向其他页面传递更多的权重。所以越是质量高的页面指向页面A，则页面A越重要。 利用以上两个假设，PageRank算法刚开始赋予每个网页相同的重要性得分，通过迭代递归计算来更新每个页面节点的PageRank得分，直到得分稳定为止。 PageRank计算得出的结果是网页的重要性评价，这和用户输入的查询是没有任何关系的，即算法是主题无关的。假设有一个有哪些信誉好的足球投注网站引擎，其相似度计算函数不考虑内容相似因素，完全采用PageRank来进行排序，那么这个有哪些信誉好的足球投注网站引擎的表现是什么样子的呢？这个有哪些信誉好的足球投注网站引擎对于任意不同的查询请求，返回的结果都是相同的，即返回PageRank值最高的页面。 3. PageRank算法原理 PageRank的计算充分利用了两个假设：数量假设和质量假设。步骤如下： 1）在初始阶段：网页通过链接关系构建起Web图，每个页面设置相同的PageRank值，通过若干轮的计算，会得到每个页面所获得的最终PageRank值。随着每一轮的计算进行，网页当前的PageRank值会不断得到更新。 2）在一轮中更新页面PageRank得分的计算方法：在一轮更新页面PageRank得分的计算中，每个页面将其当前的PageRank值平均分配到本页面包含的出链上，这样每个链接即获得了相应的权值。而每个页面将所有指向本页面的入链所传入的权值求和，即可得到新的PageRank得分。当每个页面都获得了更新后的PageRank值，就完成了一轮PageRank计算。 3.2 基本思想： 如果网页T存在一个指向网页A的连接，则表明T的所有者认为A比较重要，从而把T的一部分重要性得分赋予A。这个重要性得分值为：PR（T）/L(T) 　 其中PR（T）为T的PageRank值，L(T)为T的出链数 则A的PageRank值为一系列类似于T的页面重要性得分值的累加。 即一个页面的得票数由所有链向它的页面的重要性来决定，到一个页面的超链接相当于对该页投一票。一个页面的PageRank是由所有链向它的页面（链入页面）的重要性经过递归算法得到的。一个有较多链入的页面会有较高的等级，相反如果一个页面没有任何链入页面，那么它没有等级。 3.3 PageRank简单计算： 假设一个由只有4个页面组成的集合：A，B，C和D。如果所有页面都链向A，那么A的PR（PageRank）值将是B，C及D的和。 继续假设B也有链接到C，并且D也有链接到包括A的3个页面。一个页面不能投票2次。所以B给每个页面半票。以同样的逻辑，D投出的票只有三分之一算到了A的PageRank上。 换句话说，根据链出总数平分一个页面的PR值。  例子： 如图1 所示的例子来说明PageRank的具体计算过程。 3.4 修正PageRank计算公式： 由于存在一些出链为0，也就是那些不链接任何其他网页的网， 也称为孤立网页，使得很多网页能被访问到。因此需要对