PageRank

维基百科，自由的百科全书

Google的工具条标示出中文维基百科首页的PageRank

PageRank，网页排名，又称网页级别或Google左侧排名。是一种由搜索-{引擎}-根据网页之间相互的超链接计算的网页排名。它经常和搜索引擎优化有关。 PageRank系统被Google用来体现网页的相关性和重要性。Google的创始人拉里·佩奇和谢尔盖·布林 1998年在斯坦福大学发明了这项技术。见Google puts it:

PageRank通过网络浩瀚的超链接来往来确定一个页面的等级。 Google把从A页面到B页面的链接解释为A页面给B页面投票 Google根据投票来源(甚至来源的来源，即链接到A页面的页面)和投票目标的等级来决定新的等级，简单的说，一个高等级的页面可以使其他低等级页面的等级提升。

[编辑] PageRank让链接来"投票"

一个页面的"得票数"由所有链向它的页面的重要性决定。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。一个有很多链入的页面会有很高的等级，相反如果一个页面没有任何链入页面，那么它没有等级。

2005年初，Google为网页链接推出一项新属性"nofollow"，令网站管理员和网志作者可以做出一些Google不会跟踪的链接；这些链接不算作"投票". nofollow的设置可以抵制评论垃圾。

Google工具条上的PageRank从0到10. 它似乎是一个对数标度算法。这个算法的细节是未知的。PageRank是Google的商标. 这个名字是否与Google创始人拉里·佩奇(Page从此而来)有关，又或者只是巧合，仍然是个謎。 PageRank技术已经申请专利。

PageRank算法中的点击算法是由Jon Kleinberg提出的.

[编辑] PageRank算法

[编辑] 简单的

假设一个由4个页面组成的小团体：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 and D的和.

P R (A) = P R (B) + P R (C) + P R (D)

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.

$PR(A)= \frac{PR(B)}{2}+ \frac{PR(C)}{1}+ \frac{PR(D)}{3}$

换句话说,根据链处总数平分一个页面的PR值.

$PR(A)= \frac{PR(B)}{L(B)}+ \frac{PR(C)}{L(C)}+ \frac{PR(D)}{L(D)}$

最后,所有这些被换算为一个百分比再乘上一个系数q。由于下面的算法，没有页面的PageRank会是0. 所以，Google通过数学系统给了每个页面一个最小值 $1 - q$ .

$PR(A)=\left( \frac{PR(B)}{L(B)}+ \frac{PR(C)}{L(C)}+ \frac{PR(D)}{L(D)}+\,\cdots \right) q + 1 - q$

所以一个页面的PageRank是由其他页面的PageRank计算得到. Google不断的重复计算每个页面的PageRank. 如果您给每个页面一个随机PageRank值(非0)，那么经过不断的重复计算，这些页面的PR值会趋向于正常和稳定。这就是搜索-{引擎}-使用它的原因。

[编辑] 完整的

这个方程式引入了随机浏览的概念，即有人上网无聊随机打开一些页面，点一些链接。一个页面的PageRank值也影响了它被随机浏览的概率。为了便于理解，这里假设上网者不断点网页上的链接，最终到了一个没有任何链出页面的网页，这时候上网者会随机到另外的网页开始浏览。

为了对那些有链出的页面公平， $q = 0.15$ (q的意义见上文)的算法被用到了所有页面上, 估算页面可能被上网者放入书签的概率。

所以，这个等式如下:

${\rm PageRank}(p_i) = \frac{q}{N} + (1 -q) \sum_{p_j} \frac{{\rm PageRank} (p_j)}{L(p_j)}$

$p 1, p 2,..., p N$ 是被研究的页面, $M (p i)$ 是链入 $p i$ 页面的数量, $L (p j)$ 是 $p j$ 链出页面的数量, 而N是所有页面的数量。

PageRank值是一个特殊矩阵中的特征向量。这个特征向量为

$\mathbf{R} = \begin{bmatrix} {\rm PageRank}(p_1) \\ {\rm PageRank}(p_2) \\ \vdots \\ {\rm PageRank}(p_N) \end{bmatrix}$

R是等式的答案

$\mathbf{R} = \begin{bmatrix} {q / N} \\ {q / N} \\ \vdots \\ {q / N} \end{bmatrix} + (1-q) \begin{bmatrix} \ell(p_1,p_1) & \ell(p_1,p_2) & \cdots & \ell(p_1,p_N) \\ \ell(p_2,p_1) & \ddots & & \\ \vdots & & \ell(p_i,p_j) & \\ \ell(p_N,p_1) & & & \ell(p_N,p_N) \end{bmatrix} \mathbf{R}$