HITS算法及原理

HITS(Hyperlink—Induced Topic Search)算法主要思想：根据网页的入度与出度来衡量一个网页的重要性的，其中网页的入度指的是指向这个网页的超链接，而出度则是指的这个网页指向其他网页的超链接。如果一个网页具有很高的重要性，那么这个网页所指向的其他网页也具有较高的重要性，同时如果这个重要性高的网页被其他的网页所指，那么指向这个网页的其他网页也具有着较高的重要性。在HITS算法中将指向别的网页定义为Hub值．被指向则是定义为Authority值。

 

在HITS算法中通过Authority 和Hub这两个权值对网页的质量进行评估，其中Authority指的是内容权威度，表示该页面的入度值，即页面被引用的次数；Hub指的是链接权威度，表示该页面的出度值，即指向其他页面的数量。具体为：(1)一个好的Hub型网页会指向一个好的Authority网页；(2)一个好的Authority网页也会由好的Hub型网页所指向。这两个思想就是一种假设．而HITS算法正是建立在这两个假设上面的。但也正是基于这种假设让HITS算法具有较强的局限性。

 

算法的实现步骤：

 

每个页面i都有Authority值和Hub值，其中：

a_i为页面i的Authority值，即：

 

h_i为页面i的Hub值，即：

 

Authority的初始值为a_j⁽⁰⁾= 1/√N，Hub的初始值为h_j⁽⁰⁾= 1/√N。

 

然后按如下方式进行迭代，直到收敛：

 

用矩阵A(NxN)表示图的邻接矩阵，Authority和Hub分别用向量表示：a=(a1…,an)，h=(h1,…,hn)，那么h = A^.a，a = A^{T .} h。上述算法经过k步之后更新为：

 

   a_k= (A^T.A) . a_k-1

   h_k= (A^.A^T) . h_k-1

 

经过一系列的更新计算后，HITS算法收敛到h*和a*，那么h*为AA^T的主特征向量，代表页面的中心值，数值越高，页面的中心值越高。a*为A^TA的主特征向量，代表页面的权威值，值越高的元素代表页面的权威值高。