PageRank算法以及Python实现（简洁版）

简述

PageRank有点被神化了，其实公式很简单。

算法

主要是分为两种：

• The ‘Flow’ formula
• The Google formula

模型定义

很多个网页，直接存在链路关系，设为G，N*N的矩阵

这里先只考虑有向无权无环图，即边有方向，且权重都一样，且没有自己到自己的边（环）。

• N为节点数或者是网页数
• G[i][j] = 1表示，i->j有条边

Flow版本

$$r_i=\sum _{(j=1)and(j->i)}^N\frac{r_j}{d_j}$$

一个很好是数学写法就是：

$$r=M\ast r$$

• 如果有i->j, M[j][i] = 1/dj，否者为0

算法流程：

• 也就是，随机初始化每个点的分数

• 然后，迭代：

  • 每个点的分数，由所有 指向他的节点的分数 除以 这个节点的出度数 求和所替代

• Flow版本会出现两个重要的问题;

  • Dead End：例如只有两个点，然后边为A->B，B就是一个Dead END。即到这时候的分数就出不去了。
  • Spider Traps：循环指向，例如A->B->A。那么这个分数就会这之间打转

Google Formula

刚刚说的两个问题在Google Formula上得到很好的改进：

• 提出了一个叫做Teleport的概念，也称之为意念转移。

很简单，就是说，每个节点有一定的概率发生随机跳转到任意一个点的情况。再结合MapReduce的概念，Google就这样发家了emmmm

$$r_i=\beta \ast \sum _{(j=1)and(j->i)}^N\frac{r_j}{d_j}+(1-\beta )\ast \frac{1}{N}$$

直接的数学表达：

$$\begin{gathered} r=A\ast r \\ A=\beta \ast M+(1-\beta )\ast [\frac{1}{N}{]}_{N\ast N} \end{gathered}$$

Google简化后的数学表达：

$$r=\beta \ast M\ast r+[\frac{1}{N}{]}_N$$

• 如果有i->j, M[j][i] = 1/dj，否者为0

存在的问题：

• 虽然直接的数学表达会更简洁，但是多出来的A一定会是稠密矩阵使得空间消耗为O(N^2)了，这样的在网站达到数亿的情况下，这个东西就不太现实了。
• 而Google简化的版本中就只需要记录同样稀疏的M即可，1/N是一个数，只需要让r这个向量的每个元素都加上即可（简单的数学变形，在工业上的产生的价值就很大的不一样了。真的佩服研究数学的哥们）

实现

实现同样做两个不同的版本的：

但有些共同的模型：

导入包：

import numpy as np
import random

创造数据：

def create_data(N, alpha=0.5): # random > alpha, then here is a edge.
    G = np.zeros((N, N))
    for i in range(N):
        for j in range(N):
            if i == j:
                continue
            if random.random() < alpha:
                G[i][j] = 1
    return G
G = create_data(10)

GtoM：

def GtoM(G, N):
    M = np.zeros((N, N))
    for i in range(N):
        D_i = sum(G[i])
        if D_i == 0:
            continue
        for j in range(N):
            M[j][i] = G[i][j] / D_i # watch out! M_j_i instead of M_i_j
    return M
M = GtoM(G, 10)

• Flow版本的PageRank

def PageRank(M, N, T=300, eps=1e-6):
    R = np.ones(N) / N
    for time in range(T):
        R_new = np.dot(M, R)
        if np.linalg.norm(R_new - R) < eps:
            break
        R = R_new.copy()
    return R_new

测试下：

values = PageRank(M, 10, T=2000)
values

输出：

array([0.09972576, 0.09193927, 0.07843151, 0.09125886, 0.08925602,
       0.10407245, 0.09623654, 0.13851257, 0.13086464, 0.07970237])

• Google Formula

def PageRank(M, N, T=300, eps=1e-6, beta=0.8):
    R = np.ones(N) / N
    teleport = np.ones(N) / N
    for time in range(T):
        R_new = beta * np.dot(M, R) + (1-beta)*teleport
        if np.linalg.norm(R_new - R) < eps:
            break
        R = R_new.copy()
    return R_new

同样的数据测试下：

测试下：

values = PageRank(M, 10, T=2000)
values

输出：

array([0.09815807, 0.09250429, 0.08376235, 0.09300133, 0.09324628,
       0.10108776, 0.09855127, 0.13019363, 0.12458992, 0.0849051 ])