数据挖掘（一）---- PageRank算法 +缺失值补充

一 原理介绍

1.1 简介

PageRank（网页级别）用来衡量一个网站的好坏的唯一标准 ，在加入了诸如Title标识和KeyWords标识等所有其他因素后，在搜索结果中因网站排名获得提升，从而提高搜索结果的相关性和质量
其算法的核心如下：

1. 如果一个网页被很多其他网页链接连接到的话，说明这个网页比较重要，它的PageRank值会相对较高
2. 如果一个PageRank高的网站指向另一个网站，这个被指向的网站的PageRank值也会相应提高，即一个网站的PageRank值会受到其他网址的影响

示意图：

• In： 每个球代表一个网页，球的大小反应了网页的pagerank值的大小
• Out： 指向网页B和网页E的链接有很多，所以B和E的值会比较高；而C很少有网页指向它，但是因为B（重要）指向它，所以它的值也相应会提高

1.2 PageRank算法原理

参考于：PageRank算法实现

1.2.1 简单的PageRank算法

假设网页X的排名用PR(X)表示，则A的排名为PR(A)，通过这个图可以知道，B和C都指向了A，所以A的排名为
$$PR(A)=PR(C)+PR(B)$$
又因为C只指向了A，B不仅指向了A还指向了D，所以上面的公式更合理的应该是：
$$PR(A)=\frac{PR(B)}{2}+\frac{PR(C)}{1}$$

1.2.2 考虑没有出边（outlink）的算法

有的网页，会哪一个网页都不指向，那么它的值会被均分到所有的网页，即

$$PR(A)=\frac{PR(B)}{2}+\frac{PR(C)}{4}$$

1.2.3 网页链接中存在环

存在环则说明它指向的是自己，这个是可能的，因为有可能在点击网络跳转的时候转来转去都是那几个网站

所以假设当一个用户，遇上这种情况，他会以某一个概率$\alpha$随机指向任意一个网页，指向每个网页的概率相等，这个时候网页A的PageRank值可以表示为：
$$PR(A)=\alpha (\frac{PR(B)}{2})+\frac{(1-\alpha )}{4}$$
这个公式可以解释为：$\alpha$表示用户从网页B以概率$\alpha$链接到网页A，而后面的（1-$1-\alpha$）表示用户从网页C以概率$(1-\alpha )$链接到网页A
即：
网页B的Pagerank值分配情况为：$\frac{1}{2}\alpha$给A, $\frac{1}{2}\alpha$给D，$\frac{(1-\alpha )}{4}$分给其他4个网页
网页C的Pagerank值分配情况为：$\alpha$给自己（C），$\frac{(1-\alpha )}{4}$分给其他网站

1.2.4 PageRank普遍公式

$$PR(X)=\alpha \sum _{Y_i\in S(X)}\frac{PR(Y_i)}{n_i}$$