PageRanks算法

一.算法简介

1.pagerank是Google排名运算法则（排名公式）的一部分，是Google用于用来标识网页的等级/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

2.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

##3.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PageRank值也会相应提高。

每个球代表一个网页；球的大小反应了网页的pagerank值的大小.
指向网页B和网页E的链接很多，所以B和E的pagerank值较高.
虽然很少有网页指向C，但是最重要的网页B指向了C，所以C的pagerank值比E还要大.

二.算法原理

求解步骤

如果一个网页有k条出 链，那么跳转任意一个出链上的概率是1/k ；
如果用n表示网 页的数目，则转移矩阵M是一个n*n的方阵；
如果网页j有k个出链，那么对每一个出链指向的网页i，有M[i][j]=1/k，而其他网页的M[i] [j]=0

1.求转移矩阵

则转移矩阵M表示如下：

A分向BCD，B分向AD，C分向A，D分向BC。可以将转移矩阵看成是ABCD,ABCD四行四列矩阵

2.Vn=M.V(n-1)

矩阵M中M[i][j]不为0表示用一个链接从j指向i，M的第一行乘以V 0 ，表示累加所有网页到网页A的概率即得到9/24。得到了V 1 后，再用 V 1 去右乘M得到V 2 ，一直下去，最终V会收敛，即V n =MV (n-1) ，上面的图示例，不断的迭代，最终V=[3/9,2/9,2/9,2/9]

3.终止点问题

要满足收敛性，需要具备一个条件：图是强连通的，即从任意网页可以到达其他任意网页。互联网上的网页不满足强连通的特性，因为有一些网页不指向任何网页，如果按照上面的计算，上网者到达这样的网页后便走投无路、四顾茫然，导致前面累 计得到的转移概率被清零，这样下去，最终的得到的概率分布向量所有元素几乎都为0。

4.陷阱问题

上网者跑到C网页后，就像跳进了陷阱，陷入了漩涡，再也不能从C中出来，将最终导致概率分布值全部转移到C上来，这使得其他网页的概率分布值为0，从而整个网页排名就失去了意义。

5.算法改进

（1）解决终止点问题和陷阱问题
地址栏输入而跳转到各个网页的概率是1/n；上网者每一步查看当前网页的概率为a，那么从浏览器地址栏跳转的概率为(1-a)；
（2）求解

三.算法总结

1.PR值

PR值：决定了网页在搜索结果中的排名

C点只进不出，统一除以节点个数4

2.PR值计算

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，α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。
具体怎样算是趋于平稳，我们在下面的PR值计算方法部分再做解释。

3.PageRank算法的缺点

（1）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。
（2）没有过滤广告链接和功能链接（例如常见的 没有过滤广告链接和功能链接（例如常见的“ 分享到微博”）。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。
（3）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。
#延伸------->TrustRank算法
针对PageRank算法的缺点，有人提出了TrustRank算法。其最初来自于2004年斯坦福大学和雅虎的一项联合研究，用来检测垃圾网站。

TrustRank算法的工作原理:

先人工去识别高质量的页面(即“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。

PageRanks算法实现

转自 https://blog.csdn.net/ten_sory/article/details/80927738

import numpy as np

if __name__ == '__main__':
    # 读入有向图，存储边
    f = open('input.txt', 'r')
    edges = [line.strip('\n').split(' ') for line in f]
    # print(edges)
    nodes=[]
    for edge in edges:
        if edge[0] not in nodes:
            nodes.append(edge[0])
        if edge[1] not in nodes:
            nodes.append(edge[1])
    # print(nodes)  #  ['A', 'B', 'C', 'D', 'E']

    N = len(nodes) # 5

    # 将节点符号（字母），映射成阿拉伯数字，便于后面生成A矩阵/S矩阵
    i = 0
    node_to_num = {}
    for node in nodes:
        node_to_num[node] = i
        i += 1
    # print(node_to_num) # {'A': 0, 'B': 1, 'C': 2, 'D': 3, 'E': 4}
    for edge in edges:
        edge[0] = node_to_num[edge[0]]
        edge[1] = node_to_num[edge[1]]
    # print(edges)  #  [[0, 1], [0, 2], [0, 3], [1, 3], [2, 4], [3, 4], [1, 4], [4, 0]]

    # 生成初步的S矩阵
    S=np.zeros([N,N])
    for edge in edges:
        S[edge[1],edge[0]]=1
    # print(S)

    # 计算比例：即一个网页对其他网页的PageRank值的贡献，即进行列的归一化处理
    for j in range(N):
        sum_of_col = sum(S[:, j])
        for i in range(N):
            S[i, j] /= sum_of_col
    # print(S)

    # 计算矩阵A
    alpha = 0.85
    A = alpha * S + (1 - alpha) / N * np.ones([N, N])
    # print(A)

    # 生成初始的PageRank值，记录在P_n中，P_n和P_n1均用于迭代
    P_n = np.ones(N) / N  # [0.2 0.2 0.2 0.2 0.2]
    P_n1 = np.zeros(N)    # [0. 0. 0. 0. 0.]

    e = 100000  # 误差初始化
    k = 0  # 记录迭代次数
    print('loop...')
    while e > 0.00000001:  # 开始迭代
        P_n1 = np.dot(A, P_n)  # 迭代公式
        e = P_n1 - P_n
        e = max(map(abs, e))  # 计算误差
        P_n = P_n1
        k += 1
        print('iteration %s:' % str(k), P_n1)

    print('final result:', P_n)
结果：
iteration 65: [0.29633859 0.11396261 0.11396261 0.16239671 0.3133395 ]
iteration 66: [0.29633857 0.1139626  0.1139626  0.16239671 0.31333952]
iteration 67: [0.29633859 0.1139626  0.1139626  0.1623967  0.31333951]
iteration 68: [0.29633859 0.1139626  0.1139626  0.1623967  0.3133395 ]
iteration 69: [0.29633858 0.1139626  0.1139626  0.16239671 0.31333952]
iteration 70: [0.29633859 0.1139626  0.1139626  0.1623967  0.31333951]
iteration 71: [0.29633859 0.1139626  0.1139626  0.1623967  0.31333951]
final result: [0.29633859 0.1139626  0.1139626  0.1623967  0.31333951]
"""
最后的一个数组[0.29633859 0.1139626  0.1139626  0.1623967  0.31333951]，分别为A, B, C, D, E的PageRank值，
E >A >D >B =C
可以看出，有3条边指向E。再看，指向A的这个点是E点，因此A的PageRank值也很高，可以说“A沾了E的光”
"""