PageRank

Web 数据挖掘定义：
互联网文档的集合 A 中挖掘出一种 潜在模式 B本质是从输 入到输出的一个映射：A→B。

采集的数据：
一般情况包括数据检索、数据选取、数据搜集等 3 个单独的部分构成。

PageRank 算法的基本思想：
页面 B 有一个指向链接指向页面 A ，页面 B 证明肯定了页面 A 的重要性，于是就把页面 B 的PageRank 一部分值的传递给页面 A。
传递的部分值为：PR(B)/L(B)。其中L (B ) 为 B 的出链数， PR(B ) 为网页 B 的 PageRank 值。可以看作：页面 A PageRank 值为若干个形似于于页面 B 的传递值的累加得到的。

PageRank 算法的简单计算：
若有一个只有4个网页的集合，A、 B 、C、 D。现在假设
B、 C、 D 都指向网页A，那么A的PR值为：

假如页面B的底部其中有一个指向C链接地址，页面D的底部有指向A、 B 、C的链接地址，那么A的PR值为：

则抽象成PR的数学公式如下：

上面的公式需要完善一下，在上面网页之间有构成回路的路线，这种回路只会接收传递来的PageRank 值，又因为网页是不短更新的，所以不能将得到的权重传递出去，这样的进行更多次的计算，存在回路的页面由于没有办法传递出去，就会出现问题。对于上面的处在链接坑儿里面的网页，我们可以为页面开拓一条新的页面的路径，那么PR值就能够用这条路径跳转到其他页面去，也就是增加阻尼系数：为每一个页面给定了一个最小的PageRank 值值，用阻尼系数来解决问题，这样页面的PageRank 值为0的情况就不存在了，阻尼系数为0.85.
完善后的公式如下：

搜索引擎使用 PageRank 算法的重要原因：
目标计算一个页面的PR值：首先计算和此页面有连接的所有的页面的PR值。通过计算每一个页面的PR值，若分配给每一个页面一个随机的非零的PR值，最后通过不停的重复计算，每一个页面的PR值都会收敛于一个稳定的数值。

在《Searching the Web》中将 PageRank 的计算公式表达如下：
L (pj ) 是pj 出链的个数，P1、P2、P3是被分析的页面，而N是所有网页的个数，

求 PageRank值本质是求特殊矩阵的特征向量。特征向量为：

R是下面等式的一个解：

网页当成节点，超链接当作是有向边：
V是网页的节点集合，E是有向边

网页i有指向网页j的超链接：

现在一共有N个网页，则这个邻接矩阵：

概率转移矩阵（将上面的临界矩阵的每行除以该行非0数字之和，那么每行的非零数之和就是出链的总个数，就得到了一个新的矩阵叫做概率转移矩阵）：

存在页面i指向页面j的超链接：

PageRank 值就转化为：

保证收敛，邻接矩阵需要满足的条件：
1、邻接矩阵是非周期的 2、邻接矩阵是不可约的

保证收敛的解决方法：
采用阻尼因子解决。
可知：



给X任意的初始值，皆可满足：

则：

依据遍历定理，A为马氏链非周期不可约，不可约遍历链有唯一的
平稳分布：

满足：

1是矩阵A的最大特征值 ， A的最大特征向量是X。

下面我们用加阻尼系数的方法来进行计算：

概率转移矩阵：

迭代：




迭代：