PageRank的原理和实现

一、算法介绍

PageRank (PR) 是谷歌搜索引擎对搜索网页结果进行排名的一种算法。网页排名是衡量网页重要性的一种方法。现今我们可以将其用于衡量图中顶点的重要程度。

PageRank，中文我们可以叫做页面排名算法， 是以“网页”和联合创始人拉里 · 佩奇的名字命名的。（PageRank）用来衡量每个点相对于其它点的影响程度 。该算法根据某点被指向的数量，及指向点的重要程度来计算图中每个点的重要性。该算法通常使用在搜索引擎的页面排名中，一个页面的“得票数”由所有指向它的页面的重要性来决定。用户的浏览操作相当于PageRank的迭代操作，用户浏览该页面的概率我们称为damping(阻尼系数)，不再往下浏览的概率为1-damping 。

二、使用场景

1. PageRank算法适用于网页排序、社交网络重点人物发掘，可用于找出网络中影响力较高的用户或者名气较大的网站。
2. 科学家对领域的贡献，不能单单考虑其引文数量，而且还需要考虑每次引文的实际影响。具体可以参考《The Pagerank-Index: Going beyond Citation Counts in Quantifying Scientific Impact of Researchers》。
3. 在生物学中，代谢图是有向图，我们将生物反应建立为节点，如果反应u产生反应之后生成产物v，那么就有了u到v的有向边，可以通过PageRank去评估大型蛋白质组学研究的稳定性分析。具体详情参考《When the Web meets the cell: using personalized PageRank for analyzing protein interaction networks》 。
4. 在机器学习中寻找对抽取最有 影响的特征， 并在自然语言处理 中对文本进行实体相关性排序。

三、算法实现

3.1 算法计算公式

整体公式:
对于某个节点i，其对应PR值大小的计算公式如下：

该公式引入了随机浏览者（random surfer）的概念，PageRank理论认为一个使用者在随机浏览网页的情况下，最终会趋于终止。这也是damping factor(阻尼因子)，存在的重要原因，其表示下一继续点击的网页的概率。当然我在浏览网页的时候会遇到没有外部链接的情况，为了处理这种情况（这些页面会像“黑洞”一样吞噬掉用户继续向下浏览的概率）所带来的问题，我们让这类网页的PR值将被所有网页均分，即用户范围下一个页面的概率将会从所有网页中选取。那么该值应该设置为多少好呢？经过多方研究测试一般会设置阻尼因子在0.85左右。

参数介绍：
这里，​ 是目标节点  是集合中所有节点的数量。 是链入 节点的集合，是节点  链出节点的数量，而  是集合中所有节点的数量。

3.2. 案例推导

根据上图数据，让我们计算图中E的PageRank的得分吧，首先该算法需要输入迭代轮数为5，阻尼系数为0.85。
1.让我们确定计算节点E, 全图总点数11。
2.由于需要进行迭代计算。首先我们设置全图每个点的初始值为1(一般采用这个值)，当然算法可以通过算法参数调整：

顶点ID	PageRank初始得分
1	1
2	1
3	1
4	1
5	1
6	1
7	1
8	1
9	1
10	1
11	1

然后让我们计算每个点的贡献值：

顶点ID	每个点访问其他点的概率
1	1/11
2	1/2
3	1/2
4	1/2
5	1/2
6	1
7	1
8	1/2
9	1
10	1
11	1/2

上述分母为出边数量，当某个点的出边数量为0时，我们为了防止陷入陷阱，采用了1/N ,N为全局
点数量，即当点的邻居数为0时，我们就采用1/N。
2.1.在确定好初始分数之后，让我们开始第一轮迭代吧.
2.2.在进行第一轮迭代之后算法的结果

2.3.让我们在进行第二轮迭代吧
2.4 从上述的公式我们应该已经知道PageRank算法的计算逻辑了吧，只要不断的按这个方式进行迭代5，既可以得到最终的PageRanK得分

2.5 即通过5轮的迭代我们可以得出E点的最终得分为4.059365234375

四、代码实现

/**
 * version: 1.0
 * author: road
 * data: 20220714
 */
public class PageRank {
    private GraphApi graphApi;
    //reduce computational cost
    private double[] initValues;
    private double[] preValue;
    private double[] curValue;
    private double delta;

    public PageRank(GraphApi graphApi){
        this.graphApi = graphApi;
    }

    public double[] compute(int iteration, double damping, double initValue) {
        delta = 1 - damping;
        init(damping, initValue);
        int vertexSize = graphApi.getVertexSize();
        preValue = new double[vertexSize];
        curValue = new double[vertexSize];
        int[] vertexIds = graphApi.getVertex();

        for(int i = 0; i < iteration; i++) {
            System.arraycopy(curValue, 0, preValue, 0, vertexSize);
            for (int id : vertexIds) {
                double sum = 0;
                int[] inEdge = graphApi.getInEdge(id);
                for (int inId : inEdge) {
                    sum += initValues[inId] * preValue[inId];
                }
                //(1-d) + sum
                curValue[id] = delta +sum;
            }
        }
        return curValue;
    }

    private void init(double damping, double initValue) {
        int vertexSize = graphApi.getVertexSize();
        initValues = new double[vertexSize];
        Arrays.fill(curValue, initValue);

        int[] vertexIds = graphApi.getVertex();
        for (int id : vertexIds) {
            int outDegree = graphApi.getOutEdge(id).length;
            if(outDegree != 0) {
                initValues[id] = damping / outDegree;
            }
        }
    }

}

代码详情: TGraph/PageRank.java at main · RoadTLife/TGraph · GitHub

五、参考引用

【1】The Anatomy of a Search Engine PageRank算法

【2】https://en.wikipedia.org/wiki/PageRank wiki官网PageRank介绍论文