http://www.cnblogs.com/fengfenggirl/p/pagerank-introduction.html
http://blog.csdn.net/rubinorth/article/details/52215036
这两篇文章里重要介绍了PageRank算法,几个关键的点:
- 图不是强连通,怎么办?有一些节点没有出链
- 闭环,几个节点形成闭环
- 解决办法就是从地址栏溜走,而且是溜到现网的任意网站
map-reduce的计算,有几个关键点:
- 稀疏矩阵存储
- 第一,二步将稀疏矩阵和PR表map-reduce到一起
- 第三步先map计算第二步生成每一行
- 第四步reduce 每个网站计算新的PR值,更新PR表
- 重复从第一到第四步直到PR值收敛
算法的缺点:
第一,没有区分站内导航链接。很多网站的首页都有很多对站内其他页面的链接,称为站内导航链接。这些链接与不同网站之间的链接相比,肯定是后者更能体现PageRank值的传递关系。
第二,没有过滤广告链接和功能链接(例如常见的“分享到微博”)。这些链接通常没有什么实际价值,前者链接到广告页面,后者常常链接到某个社交网站首页。
第三,对新网页不友好。一个新网页的一般入链相对较少,即使它的内容的质量很高,要成为一个高PR值的页面仍需要很长时间的推广。