PageRank算法

---

一 PageRank算法概述

PageRank, 是谷歌创始人拉里 $\cdot$佩奇和谢尔盖$\cdot$布林于1997年构建早期的搜索系统原型时提出的链接分析算法。
PageRank是Google用于标识网页的等级/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。在揉合了诸如Title标识和Keywords标识等所有其它因素之后，Google通过PageRank来调整结果，使那些更具“等级/重要性”的网页在搜索结果中另网站排名获得提升，从而提高搜索结果的相关性和质量。其级别从0到10级，10级为满分。PR值越高说明该网页越受欢迎（越重要）。一般PR值达到4，就算是一个不错的网站了，而PR值为7到10则表明这个网站非常受欢迎（或者说极其重要）。Google把自己的网站的PR值定到10。

---

二 PageRank的两个基本假设

PageRank除了考虑到入链数量的影响，还参考了网页质量因素。

对于某个互联网网页A来说，该网页PageRank的计算基于以下两个基本假设：
$数量假设$：在Web图模型中，如果一个页面节点接收到的其它网页指向的入链数量越多，那么这个页面越重要。
$质量假设$：指向页面A的入链网页的质量不同，质量高的页面会通过链接向其它页面传递更多的权重。

---

三 PageRank算法原理

3.1 算法步骤

1）初始阶段：网页通过链接关系构建起Web图，每个页面设置相同的PageRank值。
2）迭代阶段：在一轮更新页面PageRank分数的计算中，每个页面将当前的PageRank值平均分配到本页面包含的链上，这样每一个链获得了新的权值。每个页面将所有指向本页面的入链所传入的权值求和，即可得新的PageRank得分。

3.2 基本思路

如果网页T存在一个指向网页A的连接，则表明T的所有者认为A比较重要，从而把T的一部分重要性得分赋予A。这个重要性得分值为：PR(T) / L(T)
其中PR（T）为T的PageRank值，L(T)为T的出链数
则A的PageRank值为一系列类似于T的页面重要性得分值的累加。
即一个页面的得票数由所有链向它的页面的重要性来决定，到一个页面的超链接相当于对该页投一票。一个页面的PageRank是由所有链向它的页面（链入页面）的重要性经过递归算法得到的。一个有较多链入的页面会有较高的等级，相反如果一个页面没有任何链入页面，那么它没有等级。

得到：$PR(A)=\frac{PR(B)}{L(B)}+\frac{PR(C)}{L(C)}+...$

由于有悬挂网页的存在，即那些没有指向其它网页的网页。得到修正的计算公式：$PR(A)=\alpha \cdot （\frac{PR(B)}{L(B)}+\frac{PR(C)}{L(C)}+...）+(1-\alpha )$

$\alpha$ 为阻尼系数，一般取值为0.85。

3.3 公式形成思路

3.3.1
$网页排序思路$：研究网页间的相互链接来确定排序。具体而言（两个基本假设），一个网页被其它网页链接得越多，它的排序就应该越靠前。另外，一个网页越是被靠前的网页所链接，它的排序就应该越靠前。

想要知道一个网页$W_i$的排序，不仅要知道多少网页链接了它，而且还得知道那些网页各自的排名。陷入了“先有鸡还是先有蛋”的循环。
为了打破这个循环，分析一个虚拟用户（互联网意义上全体用户的一种平均意义上的代表）在互联网的漫游过程。如果网页$W_i$有$N_i$个对外链接，则虚拟用户在访问了$W_i$之后，下一步点击那些链接当中的任何一个的几率均为$\frac{1}{N_i}$。


$思路建模$
分析数学化：用$p_i(n)$表示虚拟用户进行第$n$次浏览时访问网页$W_i$的几率。
$$p_i(n+1)=\frac{{\sum }_j{p}_j(n)p_{j\to i}}{N_j}$$
其中，$p_{j\to i}$是指示函数，定义为：如果网页$W_j$有链接指向网页$W_i$，则取值为1，反之为0。
求和式表明了所有链接向网页$W_i$的网页$W_j$都对$W_i$的排名有贡献，另外$p_j$越大，网页$W_j$的贡献越大。
将上述公式转换成矩阵形式：
$$P_{n+1}=H{p}_n$$
$H_{ij}=\frac{p_{j\to i}}{N_j}$

上述公式描述的是一种马尔科夫过程，$H$是转移矩阵。可以改写为：
$$P_n=H^n{p}_0$$
其中$p_0$为虚拟用户初次浏览各网页的概率分布。

3.3.2
虚拟用户在经过很长时间的漫游之后得到访问各网页的概率分布，即${\lim }_{n\to \infty }{P}_n$，随之来确定网页排序。这个定义要想成立，三个问题要解决：
1)极限${\lim }_{n\to \infty }{P}_n$ 是否存在？
2)如果极限存在，是否与$p_0$的选取无关？
3)如果极限存在，且与$p_0$的选取无关，作为网页排序的依据是否合理？
（事实上，这三个假设在现实中都不成立。）


为了使第三个假设成立，需要把“悬挂网页”的情况解决。
当他们访问到“悬挂网页”时，假设用户会在整个互联网随机选取一个网页进行访问。

$随机性修正$
分析数学化：将$H$中的列向量中的零向量换为$\frac{e}{N}$，$e$是所有分量都为1的列向量，$N$为互联网的网页总数。引入一个描述“悬挂网页”的指示向量$a$，它的第$i$个向量的取值取决于$W_i$是否为“悬挂网页”，取值为1，表明为“悬挂网页”。用$S$表示修正之后的矩阵：
$$S=H+\frac{e{a}^T}{N}$$
$S$矩阵中的每一列的和都为1，是随机矩阵。

3.3.3
为了解决前两个问题，假定虚拟用户不仅局限于访问当前网页中给出的链接。
$素性修正$
数学化分析：虚拟用户在每一步都有小于1的概率$\alpha$来访问当前网页提供的链接，随机访问互联网上的任何一个网站的概率是$1-\alpha$。
这样上述的$S$矩阵变为新的矩阵$G$:
$$G=\alpha S+(1-\alpha )\frac{e{e}^T}{N}$$
矩阵$G$不仅是一个随机矩阵，也是一个素矩阵（所有矩阵元都为正）。

3.3.4
经过两次修正之后，网页排序的计算方法变为了
$$P_n=G^n{P}_0$$
公式表述为
$$S(V_i)=\alpha \sum _{j\in In(V_i)}\frac{1}{|Out(V_j)|}S(V_j)+(1-\alpha )$$

其中$\alpha$应该来自于对真实用户平均行为的分析，但是矩阵（十分巨大）的收敛速度也影响了其取值。$\alpha$取值越小，$G^n{P}_0$收敛速度越快。太小的话，网页间的彼此链接的排序思路就会被弱化。
最终选取的数值为$\alpha =0.85$。

---

四 参考网页

https://blog.csdn.net/hguisu/article/details/7996185
http://www.changhai.org/articles/technology/misc/google_math.php