链接挖掘算法之PageRank算法和HITS算法

版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/Androidlushangderen/article/details/43311943

参考资料:http://blog.csdn.net/hguisu/article/details/7996185
更多数据挖掘算法https://github.com/linyiqun/DataMiningAlgorithm

链接分析

在链接分析中有2个经典的算法,1个是PageRank算法,还有1个是HITS算法,说白了,都是做链接分析的。具体是怎么做呢,继续往下看。

PageRank算法

要说到PageRank算法的作用,得先从搜索引擎开始讲起,PageRank算法的由来正式与此相关。

搜索引擎

最早时期的搜索引擎的结构,无外乎2个核心步骤,step1:建立庞大的资料库,step2:建立索引库,用于指向具体的资料。然后就是用户的查找操作了,那怎么查呢,一个很让人会联想到的方法就是通过关键字匹配的方法,例如我想输入张三这个关键词,那我就会在资源中查包含有张三这个词语的文章,按照关键词匹配方法,只要一篇文章中张三出现的次数越多,就越是要查询的目标。(但是更公正的方法应是次数/文章总次数,一个比值的形式显然更公平)。仔细这么想也没错。好继续往下。

Term Spam攻击

既然我已经知道了搜索的核心原理,如果我想要让我的网页能够出现在搜索的结果更靠前的位置,只要在页面中加入更多对应的关键词不就OK了,比如在html的div中写入10000个张三,让后使其隐藏此标签,使得前端页面不受影响,那我的目的岂不是达到了,这就是Term Spam攻击。

PageRank算法原理

既然关键词匹配算法容易遭到攻击,那有什么好的办法呢,这是候就出现了著名的PageRank算法,作为新的网页排名/重要性算法,最早是由Google的创始人所写的算法,PageRank算法彻底摒弃了什么关键词不关键词的,每个网页都有自己的PageRank值,意味一个网页的重要程度,PR值越高,最后呈现的位置更靠前。那怎么衡量每个网页的重要程度呢,答案是别的页面对他的链接。一句话,越多的网页在其内容上存在指向你的链接,说明你的网页越有名。具体PR值的计算全是通过别的网页的PR值做计算的,简单计算过程如下:

 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(PageRank)值将是B,C及D的和。

       

       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。

       

      换句话说,根据链出总数平分一个页面的PR值。

       

 所示的例子来说明PageRank的具体计算过程。  

                     

以上是网页内部有链接的时候,因为还可能在1个网页中没有任何链接的情况,而这个时候,跳到任何网页的概率都是可能的。因此最后的计算公式就变成了这个样子:

      

q称为阻尼系数。

PageRank的计算过程

PageRank的计算过程实际并不复杂,他的计算数学表达式如下:


就是1-q变成了1-q/n了,算法的过程其实是利用了幂法的原理,等最后计算达到收敛了,也就结束了。

按照上面的计算公式假设矩阵A = q  × P + ( 1 一 q) *  /N,e为全为1的单位向量,P是一个链接概率矩阵,将链接的关系通过概率矩阵表现,A[i][j]表示网页i存在到网页j的链接,转化如下:

      
         图2  网页链接矩阵:                                      图3  网页链接概率矩阵:  
 
 

                         图4  P’ 的转置矩 阵

这里为什么要把矩阵做转置操作呢,原本a[i][j]代表i到j链接,现在就变为了j到i的链接的概率了,好,关键记住这点就够了。最后A就计算出来了,你可以把他理解为网页链接概率矩阵,最后只需要乘上对应的网页PR值就可以了。

此时初始化向量R[1, 1, 1];代表最初的网页的PR值,与此A概率矩阵相乘,第一个PR值R[0]'=A[0][0]*R[0] + A[0][1]*R[1] + A[0][2]*R[2],又因为A[i][j]此时的意思正是j到i网页的链接概率,这样的表达式恰恰就是上文我们所说的核心原理。然后将计算新得的R向量值域概率矩阵迭代计算直到收敛。

PageRank小结

PageRank的计算过程巧妙的被转移到了矩阵的计算中了,使得过程非常的精简。

Link Spam攻击

魔高一尺道高一丈,我也已经知道了PageRank算法的原理无非就是靠链接数升排名嘛,那我想让我自己的网页排名靠前,只要搞出很多网页,把链接指向我,不就行了,学术上这叫Link Spam攻击。但是这里有个问题,PR值是相对的,自己的网页PR值的高低还是要取决于指向者的PR值,这些指向者 的PR值如果不高,目标页也不会高到哪去,所以这时候,如果你想自己造成一堆的僵尸网页,统统指向我的目标网页,PR也不见的会高,所以我们看到的更常见的手段是在门户网站上放链接,各大论坛或者类似于新浪,网页新闻中心的评论中方链接,另类的实现链接指向了。目前针对这种作弊手法的直接的比较好的解决办法是没有,但是更多采用的是TrustRank,意味信任排名检测,首先挑出一堆信任网页做参照,然后计算你的网页的PR值,如果你网页本身很一般,但是PR值特别高,那么很有可能你的网页就是有问题的。

HITS

HITS算法同样作为一个链接分析算法,与PageRank算法在某些方面还是比较像的,将这2种算法放在一起做比较,再好不过的了,一个明显的不同点是HITS处理的网页量是小规模的集合,而且他是与查询相关的,首先输入一个查询q,假设检索系统返回n个页面,HITS算法取其中的200个(假设值),作为分析的样本数据,返回里面更有价值的页面。

HITS算法原理

HITS衡量1个页面用A[i]和H[i]值表示,A代表Authority权威值,H代表Hub枢纽值。

大意可理解为我指出的网页的权威值越高,我的Hub值越大。指向我的网页的Hub值越大,我的权威值越高。二者的变量相互权衡。下面一张图直接明了:

           

                                                                图3 Hub与Authority权值计算

如果理解了PageRank算法的原理,理解HITS应该很容易,最后结果的输出是根据页面的Authority权威值从高到低。

HITS算法描述

             

具体可以对照后面我写的程序。

HITS小结

从链接反作弊的角度来思考,HITS更容易遭受到Link Spam的攻击,因为你想啊,网页数量少啊,出错的几率就显得会大了。

PageRank算法和HITS算法实现

最后奉上本人亲自实现的2个算法,输入数据是同一个文(每条记录代表网页i到网页j存在链接):

1 2
1 3
2 3
3 1
算法都不是太难:

package DataMining_PageRank;

import java.io.BufferedReader;
import java.io.File;
import java.io.FileReader;
import java.io.IOException;
import java.lang.reflect.Array;
import java.text.MessageFormat;
import java.util.ArrayList;

/**
 * PageRank网页排名算法工具类
 * 
 * @author lyq
 * 
 */
public class PageRankTool {
	// 测试输入数据
	private String filePath;
	// 网页总数量
	private int pageNum;
	// 链接关系矩阵
	private double[][] linkMatrix;
	// 每个页面pageRank值初始向量
	private double[] pageRankVecor;

	// 网页数量分类
	ArrayList<String> pageClass;

	public PageRankTool(String filePath) {
		this.filePath = filePath;
		readDataFile();
	}

	/**
	 * 从文件中读取数据
	 */
	private void readDataFile() {
		File file = new File(filePath);
		ArrayList<String[]> dataArray = new ArrayList<String[]>();

		try {
			BufferedReader in = new BufferedReader(new FileReader(file));
			String str;
			String[] tempArray;
			while ((str = in.readLine()) != null) {
				tempArray = str.split(" ");
				dataArray.add(tempArray);
			}
			in.close();
		} catch (IOException e) {
			e.getStackTrace();
		}

		pageClass = new ArrayList<>();
		// 统计网页类型种数
		for (String[] array : dataArray) {
			for (String s : array) {
				if (!pageClass.contains(s)) {
					pageClass.add(s);
				}
			}
		}

		int i = 0;
		int j = 0;
		pageNum = pageClass.size();
		linkMatrix = new double[pageNum][pageNum];
		pageRankVecor = new double[pageNum];
		for (int k = 0; k < pageNum; k++) {
			// 初始每个页面的pageRank值为1
			pageRankVecor[k] = 1.0;
		}
		for (String[] array : dataArray) {

			i = Integer.parseInt(array[0]);
			j = Integer.parseInt(array[1]);

			// 设置linkMatrix[i][j]为1代表i网页包含指向j网页的链接
			linkMatrix[i - 1][j - 1] = 1;
		}
	}

	/**
	 * 将矩阵转置
	 */
	private void transferMatrix() {
		int count = 0;
		for (double[] array : linkMatrix) {
			// 计算页面链接个数
			count = 0;
			for (double d : array) {
				if (d == 1) {
					count++;
				}
			}
			// 按概率均分
			for (int i = 0; i < array.length; i++) {
				if (array[i] == 1) {
					array[i] /= count;
				}
			}
		}

		double t = 0;
		// 将矩阵转置换,作为概率转移矩阵
		for (int i = 0; i < linkMatrix.length; i++) {
			for (int j = i + 1; j < linkMatrix[0].length; j++) {
				t = linkMatrix[i][j];
				linkMatrix[i][j] = linkMatrix[j][i];
				linkMatrix[j][i] = t;
			}
		}
	}

	/**
	 * 利用幂法计算pageRank值
	 */
	public void printPageRankValue() {
		transferMatrix();
		// 阻尼系数
		double damp = 0.5;
		// 链接概率矩阵
		double[][] A = new double[pageNum][pageNum];
		double[][] e = new double[pageNum][pageNum];

		// 调用公式A=d*q+(1-d)*e/m,m为网页总个数,d就是damp
		double temp = (1 - damp) / pageNum;
		for (int i = 0; i < e.length; i++) {
			for (int j = 0; j < e[0].length; j++) {
				e[i][j] = temp;
			}
		}

		for (int i = 0; i < pageNum; i++) {
			for (int j = 0; j < pageNum; j++) {
				temp = damp * linkMatrix[i][j] + e[i][j];
				A[i][j] = temp;

			}
		}

		// 误差值,作为判断收敛标准
		double errorValue = Integer.MAX_VALUE;
		double[] newPRVector = new double[pageNum];
		// 当平均每个PR值误差小于0.001时就算达到收敛
		while (errorValue > 0.001 * pageNum) {
			System.out.println("**********");
			for (int i = 0; i < pageNum; i++) {
				temp = 0;
				// 将A*pageRankVector,利用幂法求解,直到pageRankVector值收敛
				for (int j = 0; j < pageNum; j++) {
					// temp就是每个网页到i页面的pageRank值
					temp += A[i][j] * pageRankVecor[j];
				}

				// 最后的temp就是i网页的总PageRank值
				newPRVector[i] = temp;
				System.out.println(temp);
			}

			errorValue = 0;
			for (int i = 0; i < pageNum; i++) {
				errorValue += Math.abs(pageRankVecor[i] - newPRVector[i]);
				// 新的向量代替旧的向量
				pageRankVecor[i] = newPRVector[i];
			}
		}

		String name = null;
		temp = 0;
		System.out.println("--------------------");
		for (int i = 0; i < pageNum; i++) {
			System.out.println(MessageFormat.format("网页{0}的pageRank值:{1}",
					pageClass.get(i), pageRankVecor[i]));
			if (pageRankVecor[i] > temp) {
				temp = pageRankVecor[i];
				name = pageClass.get(i);
			}
		}
		System.out.println(MessageFormat.format("等级最高的网页为:{0}", name));
	}

}
下面是HITS算法的实现:

package DataMining_HITS;

import java.io.BufferedReader;
import java.io.File;
import java.io.FileReader;
import java.io.IOException;
import java.util.ArrayList;

/**
 * HITS链接分析算法工具类
 * @author lyq
 *
 */
public class HITSTool {
	//输入数据文件地址
	private String filePath;
	//网页个数
	private int pageNum;
	//网页Authority权威值
	private double[] authority;
	//网页hub中心值
	private double[] hub;
	//链接矩阵关系
	private int[][] linkMatrix;
	//网页种类
	private ArrayList<String> pageClass;
	
	public HITSTool(String filePath){
		this.filePath = filePath;
		readDataFile();
	}
	
	/**
	 * 从文件中读取数据
	 */
	private void readDataFile() {
		File file = new File(filePath);
		ArrayList<String[]> dataArray = new ArrayList<String[]>();

		try {
			BufferedReader in = new BufferedReader(new FileReader(file));
			String str;
			String[] tempArray;
			while ((str = in.readLine()) != null) {
				tempArray = str.split(" ");
				dataArray.add(tempArray);
			}
			in.close();
		} catch (IOException e) {
			e.getStackTrace();
		}

		pageClass = new ArrayList<>();
		// 统计网页类型种数
		for (String[] array : dataArray) {
			for (String s : array) {
				if (!pageClass.contains(s)) {
					pageClass.add(s);
				}
			}
		}

		int i = 0;
		int j = 0;
		pageNum = pageClass.size();
		linkMatrix = new int[pageNum][pageNum];
		authority = new double[pageNum];
		hub = new double[pageNum];
		for(int k=0; k<pageNum; k++){
			//初始时默认权威值和中心值都为1
			authority[k] = 1;
			hub[k] = 1;
		}
		
		for (String[] array : dataArray) {

			i = Integer.parseInt(array[0]);
			j = Integer.parseInt(array[1]);

			// 设置linkMatrix[i][j]为1代表i网页包含指向j网页的链接
			linkMatrix[i - 1][j - 1] = 1;
		}
	}
	
	/**
	 * 输出结果页面,也就是authority权威值最高的页面
	 */
	public void printResultPage(){
		//最大Hub和Authority值,用于后面的归一化计算
		double maxHub = 0;
		double maxAuthority = 0;
		int maxAuthorityIndex =0;
		//误差值,用于收敛判断
		double error = Integer.MAX_VALUE;
		double[] newHub = new double[pageNum];
		double[] newAuthority = new double[pageNum];
		
		
		while(error > 0.01 * pageNum){
			for(int k=0; k<pageNum; k++){
				newHub[k] = 0;
				newAuthority[k] = 0;
			}
			
			//hub和authority值的更新计算
			for(int i=0; i<pageNum; i++){
				for(int j=0; j<pageNum; j++){
					if(linkMatrix[i][j] == 1){
						newHub[i] += authority[j];
						newAuthority[j] += hub[i];
					}
				}
			}
			
			maxHub = 0;
			maxAuthority = 0;
			for(int k=0; k<pageNum; k++){
				if(newHub[k] > maxHub){
					maxHub = newHub[k];
				}
				
				if(newAuthority[k] > maxAuthority){
					maxAuthority = newAuthority[k];
					maxAuthorityIndex = k;
				}
			}
			
			error = 0;
			//归一化处理
			for(int k=0; k<pageNum; k++){
				newHub[k] /= maxHub;
				newAuthority[k] /= maxAuthority;
				
				error += Math.abs(newHub[k] - hub[k]);
				System.out.println(newAuthority[k] + ":" + newHub[k]);
				
				hub[k] = newHub[k];
				authority[k] = newAuthority[k];
			}
			System.out.println("---------");
		}
		
		System.out.println("****最终收敛的网页的权威值和中心值****");
		for(int k=0; k<pageNum; k++){
			System.out.println("网页" + pageClass.get(k) + ":"+ authority[k] + ":" + hub[k]);
		}
		System.out.println("权威值最高的网页为:网页" + pageClass.get(maxAuthorityIndex));
	}

}
2个结果的输出如下:

PageRank算法;

**********
1.0
0.7499999999999999
1.25
**********
1.125
0.75
1.1249999999999998
**********
1.0624999999999998
0.78125
1.15625
**********
1.078125
0.7656249999999998
1.1562499999999998
**********
1.0781249999999998
0.7695312499999998
1.1523437499999998
**********
1.0761718749999998
0.7695312499999998
1.1542968749999996
**********
1.0771484374999996
0.7690429687499997
1.1538085937499996
--------------------
网页1的pageRank值:1.077
网页2的pageRank值:0.769
网页3的pageRank值:1.154
等级最高的网页为:3
HITS算法:

0.5:1.0
0.5:0.5
1.0:0.5
---------
0.3333333333333333:1.0
0.6666666666666666:0.6666666666666666
1.0:0.3333333333333333
---------
0.2:1.0
0.6000000000000001:0.6000000000000001
1.0:0.2
---------
0.125:1.0
0.625:0.625
1.0:0.125
---------
0.07692307692307693:1.0
0.6153846153846154:0.6153846153846154
1.0:0.07692307692307693
---------
0.04761904761904762:1.0
0.6190476190476191:0.6190476190476191
1.0:0.04761904761904762
---------
0.029411764705882356:1.0
0.6176470588235294:0.6176470588235294
1.0:0.029411764705882356
---------
****最终收敛的网页的权威值和中心值****
网页1:0.029411764705882356:1.0
网页2:0.6176470588235294:0.6176470588235294
网页3:1.0:0.029411764705882356
权威值最高的网页为:网页3
结果都是网页3排名最高。
阅读更多
想对作者说点什么? 我来说一句

没有更多推荐了,返回首页