|
Lawrence Page和Sergey Brin在不同的刊物中發(fā)表了2個(gè)不同版本的PageRank的算法公式。在第二個(gè)版本的算法里，頁面A的PageRank值是這樣得到的：
PR(A) = (1-d) / N + d (PR(T1)/C(T1) + ... + PR(Tn)/C(Tn)) ——算法2
這里的Ｎ是整個(gè)互聯(lián)網(wǎng)網(wǎng)頁的總數(shù)。這個(gè)算法2，并不是完全不同于算法1。隨機(jī)沖浪模型中，算法2中頁面的PageRank值就是在點(diǎn)擊許多鏈接后到達(dá)這個(gè)頁面頁面的實(shí)際概率。因此，互聯(lián)網(wǎng)上所有網(wǎng)頁的PageRank值形成一個(gè)概率分布，所有RageRank值之和為1。
相反地，第一種算法中隨機(jī)訪問到一個(gè)頁面的概率受到互聯(lián)網(wǎng)網(wǎng)頁總數(shù)的影響。因此，算法2解得的PageRank值就是用戶開始訪問過程后，該頁面被隨機(jī)訪問到的概率的期望值。如果互聯(lián)網(wǎng)有100個(gè)網(wǎng)頁，其中一個(gè)頁面PageRank值為2；那么，如果他將訪問互聯(lián)網(wǎng)的過程重新開始100次（xdanger注：這句話具體含義是，該用戶隨機(jī)點(diǎn)擊網(wǎng)頁上的鏈接進(jìn)入另一個(gè)頁面，每點(diǎn)擊一次都有一定概率因疲勞或厭倦或其他任何原因停止繼續(xù)點(diǎn)擊，這就是阻尼系數(shù)d的含義；每當(dāng)停止點(diǎn)擊后，即算作此次訪問結(jié)束，然后隨機(jī)給出一個(gè)頁面讓他開始另一次訪問過程；讓他將這樣的“手續(xù)”重復(fù)進(jìn)行100次），平均就有2次訪問到該頁面。
就像前面所提到的，兩種算法并非彼此是本質(zhì)的不同。用算法2解得的PR(A)乘以互聯(lián)網(wǎng)的總網(wǎng)頁數(shù)N，即得到由算法1解得的PR(A)。Page和Brin在他們最著名的刊物《The Anatomy of a Large-Scale Hypertextual Web Search Engine》中調(diào)和了兩種算法，文中聲稱算法1是將PageRank形成對(duì)于互聯(lián)網(wǎng)網(wǎng)頁的一個(gè)概率分布，其和為1。
接下來，我們將使用算法1。理由是算法1忽略了互聯(lián)網(wǎng)的網(wǎng)頁總數(shù)，使得更易于計(jì)算。
出處：藍(lán)色理想
責(zé)任編輯：藍(lán)色
上一頁 Google 的 PageRank 算法 [1] 下一頁
|
第 1 頁 
第 3 頁 Google 的 PageRank 算法 [2]
