你管这叫 PageRank 算法

算法简介

  PageRank(网页排名)，用于衡量网页的重要程度的Google专有算法。最早的搜索引擎采用的是分类目录的方法，即通过人工进行网页分类并整理出高质量的网站。后来网页越来越多，人工分类已经不现实了。搜索引擎进入了文本检索的时代，即计算用户查询关键词与网页内容的相关程度来返回搜索结果。这种方法突破了数量的限制，但是搜索结果不是很好。因为总有某些网页来回地倒腾某些关键词使自己的搜索排名靠前。
  谷歌的两位创始人，当时还是美国斯坦福大学研究生的佩(Larry Page)和布林(Sergey Brin)开始了对网页排序问题的研究。他们借鉴了学术界评判学术论文重要性的通用方法， 那就是看论文的引用次数。由此想到网页的重要性也可以根据这种方法来评价，于是PageRank的核心思想就诞生了。

核心思想

  一、如果一个网页被很多其他网页链接到的话说明这个网页比较重要，也就是PageRank值会相对较高。
  二、如果一个PageRank值很高的网页链接到一个其他的网页，那么被链接到的网页的PageRank值会相应地因此而提高。

算法原理

一、给每个网页一个初始PageRank值。
二、通过（投票）算法不断迭代，直至达到平稳分布为止。

  PR值物理意义上为一个网页被访问的概率，所以PR初始值可以假设为 1/N ，其中N为网页总数。一般情况下，所有网页的PR值的总和为1。（如果不为1的话也不是不行，最后算出来的不同网页之间PR值的大小关系仍然是正确的，只是不能直接地反映概率）。

网页PR值计算公式为：

  

例子

  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值将是B，C及D的和。

  
  
  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PR上。

  
  

换句话说，根据链出总数平分一个页面的PR值。
  

根据多次迭代后，PR值逐渐收敛稳定。

特殊情况

  1、排名泄露：如果存在网页没有出度链接，经过多次迭代，所有网页的PR值都会趋于0，产生排名泄露问题。
  2、排名下沉：如果存在网页没有入度链接，经过多次迭代，该网页的PR值将趋于0，产生排名下沉问题。
  3、排名上升：如果一个网页只有对自己的出链，或者几个网页的出链形成一个循环圈。那么在多次迭代过程后，这一个或几个网页的PR值将只增不减。

例子

  
  为了解决这个问题，我们假设一个随机浏览网页的人，当他到达C网页后，假定他有一个确定的概率(1–a)会输入网址直接跳转到一个随机的网页，并且跳转到每个网页的概率是一样的。
于是此图中C的PR值可表示为：
  

在一般情况下，一个网页的PR值计算如下：
  

  其中Mpi是所有对Pi网页有出链的网页集合,L(Pj)是网页Pj的出链数目，N是网页总数，a一般取0.85。根据上面的公式，我们可以计算每个网页的PR值，在不断迭代趋于平稳的时候，即为最终结果。

算法分析

PageRank算法优点

  1、PageRank是一个与查询无关的静态算法，所有网页的PageRank值通过离线计算获得，有效减少在线查询时的计算量，极大降低了查询响应时间。

PageRank算法缺点

  1、人们的查询具有主题特征，PageRank忽略了主题相关性，导致结果的相关性和主题性降低。例如，当搜索“苹果”时，一个数码爱好者可能是想要看 iphone 的信息，一个果农可能是想看苹果的价格走势和种植技巧，而一个小朋友可能在找苹果的简笔画。理想情况下，应该为每个用户维护一套专用向量，但面对海量用户这种方法显然不可行。所以搜索引擎一般会选择一种称为主题敏感PageRank（Topic-Sensitive PageRank）的折中方案。主题敏感PageRank的做法是预定义几个话题类别，例如体育、娱乐、科技等等，为每个话题单独维护一个向量，然后想办法关联用户的话题倾向，根据用户的话题倾向排序结果。
  2、没有区分站内导航链接。很多网站的首页都有很多对站内其他页面的链接，称为站内导航链接。这些链接与不同网站之间的链接相比，肯定是后者更能体现PageRank值的传递关系。
  3、没有过滤广告链接和功能链接。这些链接通常没有什么实际价值，前者链接到广告页面，后者常常链接到某个社交网站首页。
  4、对新网页不友好。一个新网页的一般入链相对较少，即使它的内容的质量很高，要成为一个高PR值的页面仍需要很长时间的推广。

算法改进

  针对PageRank算法的缺点，提出了TrustRank算法，用来检测垃圾网站。
  TrustRank算法工作原理：先人工去识别高质量的页面(“种子”页面)，那么由“种子”页面指向的页面也可能是高质量页面，即其TR值也高，与“种子”页面的链接越远，页面的TR值越低。“种子”页面可选出链数较多的网页，也可选PR值较高的网站。
  TrustRank算法给出每个网页的TR值。将PR值与TR值结合起来，可以更准确地判断网页的重要性。