本文深入探讨了网页排名技术的核心——PageRank算法，详细解释了其根据网页之间的链接关系计算网页重要性的原理。文章还介绍了简化模型、PK值评估体系、随机浏览模型以及利用稀疏矩阵优化计算过程等关键概念。通过阐述PageRank的计算方法及其实现方式，旨在帮助读者理解如何衡量网页的重要性，并应用于搜索引擎优化等领域。
- 简介
根据相关性排序，包括内容的相关性，以及内容本身的重要性，要度量页面的重要性的判断标准：某网页被链接的次数以及链接这个网页的网页本身的重要性，被链接次数越多，链接这个网页的网页越重要，说明被链接的网页越重要。
简化模型
PageRank是根据网页之间的连接关系计算网页排名的技术。
PK值：从1到10级，值越大越重要。
简化模型的缺陷：
page leak
page sink
随机浏览模型
随机上网者随机点击一个新页面的概率作为这个新页面的PageRank值。
根据马尔可夫链性质，迭代计算每个结点的PR值，随着迭代次数的增加，PR值将趋于稳定。
- 利用稀疏矩阵简化计算
由于网络中的节点数非常大，因此引入稀疏矩阵来简化计算。 邻接矩阵
用邻接矩阵G表示图，即各结点之间的关系。g(ij)=1表示从i->j有链接存在，反之则表示没有。
因此是一个N*N的矩阵。每一行之和：链出链接数
每一列之和：链入链接数
- 转移概率矩阵
扫一扫
944
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
