HITS 算法(Hypertext Induced TopicSelection)
HITS 算法也是链接分析中非常基础且重要的算法,目前已被Teoma 搜索引擎(www.teoma.com)作为链接分析算法在实际中使用。
Hub 页面与Authority 页面
Hub 页面和Authority 页面是HITS 算法最基本的两个定义。所谓Authority 页面,是指与某个领域或者某个话题相关的高质量网页。比如搜索引擎领域,Google 和百度首页即该领域的高质量网页;比如视频领域,优酷和土豆首页即该领域的高质量网页。所谓的Hub页面,指的是包含了很多指向高质量Authority 页面链接的网页,比如hao123 首页可以认为是一个典型的高质量Hub 网页。
图 6-11 给出了一个Hub 页面实例,这个网页是斯坦福大学计算语言学研究组维护的页面,这个网页收集了与统计自然语言处理相关的高质量资源,包括一些著名的开源软件包及语料库等,并通过链接的方式指向这些资源页面。这个页面可以认为是“自然语言处理”这个领域的Hub 页面,相应地,被这个页面指向的资源页面,大部分是高质量的Authority页面。
HITS 算法的目的是通过一定的技术手段,在海量网页中找到与用户查询主题相关的高质量Authority 页面和Hub 页面,尤其是Authority 页面,因为这些页面代表了能够满足用户查询的高质量内容,搜索引擎以此作为搜索结果返回给用户。
相互增强关系
很多算法都是建立在一些假设之上的,HITS 算法也不例外。HITS 算法隐含并利用了两个基本假设:
· 基本假设 1:一个好的Authority页面会被很多好的Hub 页面指向。
· 基本假设 2:一个好的Hub 页面会指向很多好的Authority页面。
到目前为止,无论是从Hub页面或者Authority 页面的定义也好,还是从两个基本假设也好,都能看到一个模糊的描述,即“高质量”或者“好的”,那么什么是“好的”Hub 页面?什么是“好的”Authority 页面?两个基本假设给出了所谓“好”的定义。
基本假设 1 说明了什么是“好的”Authority页面,即被很多好的Hub 页面指向的页面是好的Authority 页面,这里两个修饰语非常重要:“很多”和“好的”,所谓“很多”,即被越多的Hub 页面指向越好,所谓“好的”,意味着指向该页面的Hub 页面质量越高,则页面越好。这综合了指向本页面的所有Hub 节点的数量和质量因素。
基本假设 2 则给出了什么是“好的”Hub页面的说明,即指向很多好的Authority 页面的网页是好的Hub 页面。同样地,“很多”和“好的”两个修饰语很重要,所谓“很多”,即指向的Authority 页面数量越多越好;所谓“好的”,即指向的Authority 页面质量越高,则该页面越是好的Hub 页面。这也综合考虑了该页面有链接指向的所有页面的数量和质量因素。
从以上两个基本假设可以推导出 Hub 页面和Authority 页面之间的相互增强关系,即某个网页的 Hub 质量越高,则其链接指向的页面的Authority 质量越好;反过来也是如此,一个网页的Authority 质量越高,则那些有链接指向本网页的页面Hub 质量越高。通过这种相互增强关系不断迭代计算,即可找出哪些页面是高质量的Hub 页面,哪些页面是高质量的Authority 页面。
HITS算法
HITS 算法与PageRank 算法一个显著的差异是:HITS 算法与用户输入的查询请求密切相关,而PageRank 算法是与查询无关的全局算法。HITS 后续计算步骤都是在接收到用户查询后展开的,即是与查询相关的链接分析算法。
HITS 算法接收到了用户查询之后,将查询提交给某个现有的搜索引擎(或者是自己构造的检索系统),并在返回的搜索结果中,提取排名靠前的网页,得到一组与用户查询高度相关的初始网页集合,这个集合被称做根集(Root Set)。
在根集的基础上,HITS 算法对网页集合进行扩充,扩充原则是:凡是与根集内网页有直接链接指向关系的网页都被扩充进来,无论是有链接指向根集内页面也好,或者是根集页面有链接指向的页面也好,都被扩充进入扩展网页集合。HITS 算法在这个扩展网页集合内寻找好的Hub 页面与好的Authority 页面。
对于扩展网页集合来说,我们并不知道哪些页面是好的Hub 页面或者好的Authority页面,每个网页都有潜在的可能,所以对于每个页面都设立两个权值,分别来记载这个页面是好的Hub 页面或者Authority 页面的可能性。在初始情况下,在没有更多可利用信息前,每个页面的这两个权值都是相同的,可以都设置为1。
之后,即可利用上面提到的两个基本假设,以及相互增强关系等原则进行多轮迭代计算,每轮迭代计算更新每个页面的两个权值,直到权值稳定不再发生明显的变化为止。
图 6-14 给出了迭代计算过程中,某个页面的Hub 权值和Authority 权值的更新方式。假设以A(i)代表网页i 的Authority 权值,以H(i)代表网页i 的Hub 权值。在如图6-14 所示的例子中,扩展网页集合有3 个网页有链接指向页面1,同时页面1 有3 个链接指向其他页面。那么,网页1 在此轮迭代中的Authority 权值即为所有指向网页1 页面的Hub 权值之和;类似地,网页1 的Hub 分值即为所指向的页面的Authority 权值之和。
扩展网页集合内其他页面也以类似的方式对两个权值进行更新,当每个页面的权值都获得了更新,则完成了一轮迭代计算,此时HITS 算法会评估上一轮迭代计算中的权值和本轮迭代之后权值的差异,如果发现总体来说权值没有明显变化,说明系统已进入稳定状态,则可以结束计算。将页面根据Authority 权值得分由高到低排序,取权值最高的若干页面作为响应用户查询的搜索结果输出。如果比较发现两轮计算总体权值差异较大,则继续进入下一轮迭代计算,直到整个系统权值稳定为止。
HITS算法存在的问题
HITS 算法整体而言是个效果很好的算法,目前不仅在搜索引擎领域应用,而且被自然语言处理及社交分析等很多其他计算机领域借鉴使用,并取得了很好的应用效果。尽管如此,最初版本的HITS 算法仍然存在一些问题,而后续很多基于HITS 算法的链接分析方法,也是立足于改进HITS 算法存在的这些问题而提出的。
归纳起来,HITS 算法主要在以下几个方面存在不足。
计算效率较低
因为HITS 算法是与查询相关的算法,所以必须在接收到用户查询后实时进行计算,而HITS 算法本身需要进行很多轮迭代计算才能获得最终结果,这导致其计算效率较低,这是实际应用时必须慎重考虑的问题。
主题漂移问题
如果在扩展网页集合里包含部分与查询主题无关的页面,而且这些页面之间有较多的相互链接指向,那么使用 HITS 算法很可能会给予这些无关网页很高的排名,导致搜索结果发生主题漂移,这种现象被称为紧密链接社区现象(Tightly-Knit Community Effect)。
易被者操纵结果
HITS 算法从机制上很容易被者操纵,比如者可以建立一个网页,页面内容增加很多指向高质量网页或者著名网站的网址,这就是一个很好的Hub 页面,之后者再将这个网页链接指向网页,于是可以提升网页的Authority 得分。
结构不稳定
所谓结构不稳定,就是说在原有的扩展网页集合内,如果添加删除个别网页或者改变少数链接关系,则HITS 算法的排名结果就会有非常大的改变。
HITS算法与PageRank 算法比较
HITS算法和PageRank 算法可以说是搜索引擎链接分析的两个最基础且最重要的算法。从以上对两个算法的介绍可以看出,两者无论是在基本概念模型,还是计算思路及技术实现细节都有很大的不同,下面对两者之间的差异进行逐一说明。
· HITS 算法是与用户输入的查询请求密切相关的,而PageRank 与查询请求无关。所以,HITS 算法可以单独作为相似性计算评价标准,而PageRank 必须结合内容相似性计算才可以用来对网页相关性进行评价。
· HITS 算法因为与用户查询密切相关,所以必须在接收到用户查询后进行实时计算,计算效率较低;而PageRank 则可以在爬虫抓取完成后离线计算,在线直接使用计算结果,计算效率较高。
· HITS 算法的计算对象数量较少,只需计算扩展集合内网页之间的链接关系;而PageRank 是全局性算法,对所有互联网页面节点进行处理。
· 从两者的计算效率和处理对象集合大小来比较,PageRank更适合部署在服务器端,而HITS 算法更适合部署在客户端。
· HITS 算法存在主题泛化问题,所以更适合处理具体的用户查询;而PageRank 算法在处理宽泛的用户查询时更有优势。
· HITS 算法在计算时,对于每个页面需要计算两个分值,而PageRank 算法只需计算一个分值即可;在搜索引擎领域,更重视HITS 算法计算出的Authority 权值,但是在很多应用HITS 算法的其他领域,Hub 分值也有很重要的作用。
· 从链接反的角度来说,PageRank 从机制上优于HITS 算法,而HITS 算法更易遭受链接的影响。
· HITS 算法结构不稳定,当对扩展网页集合内链接关系做出很小改变,则对最终排名有很大影响;而PageRank 算法相对HITS 而言表现稳定,其根本原因在于PageRank 计算时的远程跳转。
——本段文字节选自《这就是搜索引擎:核心技术详解》
本书详细信息:http://blog.csdn.net/broadview2006/article/details/7179396