网页重要性与PageRank的理解

首先不要混淆网页重要性和网页相关性！

相关性：搜索关键字和某一网页之间相关的程度，主要是tf-idf值 （最简单：tf*idf） 来衡量。

重要性：网页之间重要程度的比较，或者说是网页质量的衡量，主要用pagerank算法计算。

of course，搜索关键字搜索引擎给出的应该是重要性和相关性的结合结果。

关于网页重要性与pagerank算法，我的理解如下：

（1）如果一个网页被其他很多网页链接到，那么说明他受到普遍认可和信赖，那么他的重要性应该更高。比如凤凰网的新闻质量就比其他不知名网站的链接度高，重要性也应该更高。

（2）被不同的网站链接，权重应该不同。比如，一网页被新浪和某不知名网站链接了，被新浪链接的权重应该更高。

（3）该网页的重要性，也就是pagerank值应该为所有链接该网页的权重之和。

（4）但如何确定周围链接网页的原始权重？这简直就是先有鸡还是先有蛋的问题了啊！

        佩奇和布林想到的办法是把互联网看成所有网页构成的一个大图，有链接的网页之间用有向边连接，这样一个图很明显可以用一个矩阵表示。这个问题就变成了有向图矩阵的问题，利用二维矩阵相乘，反复迭代改变权值，再相乘，再改变权值。。。。10次过后差不多权值就收敛了。

例如：

      首先把所有网页权值设为一样的，比如0.1，设为v0；

      大矩阵相乘，得到迭代一次之后每个网页新的权值v1。当然某些被链接多的网页权值更大了！

      再利用v1的权值，再矩阵相称，得到迭代两次的权值v2，权值继续调整。

      如此反复十次左右，估计v10和v9的差别已经不大了，停止迭代。over!

（5）互联网网页太多，谷歌索引2010年似乎就有5000亿个网页，而且网页权值是动态变化的，比如很旧的网页权值自然会降低，这就需要定期更新网页的pagerank值。但每次更新时间周期很长，咋办？继而有了mapReduce算法。