基于用户行为与页面分析的改进PageRank算法
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第 ４２卷 第 ２期
Ｖ ｏ１．４２ Ｎ ຫໍສະໝຸດ ．２ · 人 工 智 能 及 识 别 技 术 ·
计 算 机 工 程
Ｃｏｍ ｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ
文章编号 ：１０００－３４２８（２０１６）０２－０１６４．０５
文献标识码：Ａ
２０１６年 ２月
Ｆｅｂｒｕａｒｙ ２０１６
中图分类号：ＴＰ３９１
中文引用格式 ：王旭 阳，任 国盛．基 于用户 行 为与 页 面分 析 的改进 ＰａｇｅＲａｎｋ算 法 ［Ｊ］．计 算 机工 程 ，２０１６，４２（２）：
１６４—１６８．
英 文 引用 格 式 ：Ｗａｎｇ Ｘｕｙａｎｇ，Ｒｅｎ Ｇｕｏｓｈｅｎｇ．Ｉｍｐｒｏｖｅｄ ＰａｇｅＲａｎｋ Ａｌｇｏｒｉｔｈｍ Ｂａｓｅｄ ｏｎ Ｕｓｅｒ Ｂｅｈａｖｉｏｒ ａｎｄ Ｐａｇｅ Ａｎａｌｙｓｉｓ［Ｊ］．Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ，２０１６，４２（２）：１６４－１６８．
基 于用 户 行 为 与 页面 分 析 的 改进 ＰａｇｅＲａｎｋ算 法
王 旭 阳 ，任 国盛
（兰 州 理 工 大 学 计 算 机 与 通信 学 院 ，兰 州 ７３００００）
摘 要 ：在 经 典 ＰａｇｅＲａｎｋ算 法 中 ，页 面 的 转 移 概 率 平 均 分 配 到 链 出页 面 ，由 于 新 网页 的链 接 较 少 ，其 ＰＲ 值 普 遍 较 低 。经 典 ＰａｇｅＲａｎｋ算 法 通 过 链 接 计 算 ＰＲ值 ，未 考 虑 到 网 页 的 内容 ，存 在 主 题 漂 移 现 象 。 针 对 上 述 问 题 ，引 入 网 页 权 威 因子 和 时 间 因 子 ，通过 网 页按 关 键 字检 索 后 被 点 击 的 次 数 进 行 统 计 ，根 据 其 在 初 始 排 序 结 果 中 的 位 置 对 网 页 的 ＰＲ值 进 行 迭 代 修 正 ，返 回一 个 新 的排 序 结 果 并 分 析 网页 内容 ，采 用 改 进 的 ＴＤ—ＩＤＦ算 法 解 决 网 页 相 关 性 ，避 免 主 题 漂 移 现 象 。仿 真 实 验 结 果 表 明 ，改 进 算 法 可 以提 高 网 页 排 名 的质 量 ，使 相 关 度 较 高 的 网页 通 过 人 们 的 自主选 择 获 得 不 同 程 度 的 加 权 ，获 得 加 权 的 网页 在 检 索 结 果 中 的排 名 得 到 提 升 ，从 而 提 高 用 户 需 求 网页 的查 准 率 。 关 键 词 ：权 威 因子 ；时 间 因子 ；主 题 漂 移 ；转 移 概 率 ；ＰＲ 值
【Ａｂｓｔｒａｃｔ】Ｉｎ ｃｌａｓｓｉｃａｌ ＰａｇｅＲａｎｋ ａｌｇｏｒｉｔｈｍ ，ｔｒａｎｓｉｔｉｏｎ ｐｒｏｂａｂｉｌｉｔｙ ｏｆ ｐａｇｅ ｉｓ ｅｑｕａｌｌｙ ｄｉｓｔｒｉｂｕｔｅｄ ｔｏ ｔｈｅ ｏｕｔｌｉｎｋｓ．Ｔｈｅｒｅ ａｒｅ
ｆｅｗ ｌｉｎｋｓ ｏｆ ｎｅｗ ｐａｇｅ，ｓｏ ｉｔｓ ＰＲ ｖａｌｕｅ ｉｓ ｇｅｎｅｒａｌｌｙ ｌｏｗ ．Ｃｌａｓｓｉｃａｌ ＰａｇｅＲａｎｋ ａｌｇｏｒｉｔｈｍ ｉｓ ｕｓｅｄ ｔｏ ｃａｌｃｕｌａｔｅ ｔｈｅ ＰＲ ｖａｌｕｅ ｔｈｒｏｕｇｈ ｌｉｎｋｓ，ｗｉｔｈｏｕｔ ｔａｋｉｎｇ ｉｎｔｏ ａｃｃｏｕｎｔ ｔｈｅ ｃｏｎｔｅｎｔ ｏｆ ｔｈｅ ｐａｇｅ，ｓｏ ｔｈｅｒｅ ｉｓ ｔｏｐｉｃ ｄｒｉｆｔ．Ｔｏ ｓｏｌｖｅ ｔｈｅｓｅ ｐｒｏｂｌｅｍ ｓ，ｔｈｉｓ ｐａｐｅｒ ｉｎｔｒｏｄｕｃｅｓ ａｕｔｈｏｒｉｔａｔｉｖｅ ｆａｃｔｏｒ ａｎｄ ｔｉｍ ｅ ｆａｃｔｏｒ ｔｏ ｅｘｐｌｏｒｅ ｔｈｅ ｉｍ ｐｏｒｔａｎｃｅ ｏｆ Ｗ ｅｂ ｐａｇｅｓ，ａｎｄ ａｆｔｅｒ ｋｅｙｗｏｒｄｓ ｒｅｓｅａｒｃｈｉｎｇ，ｉｔ ｃｏｕｎｔｓ ｔｈｅ ｎｕｍ ｂｅｒ ｏｆ ｃｌｉｃｋｓ．Ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅｉｒ ｐｏｓｉｔｉｏｎ ｏｆ ｉｎｉｔｉａｌ ｓｏｒｔｅｄ ｒｅｓｕｌｔｓ，ｔｈｅｎ ｉｔｅｒａｔｉｏｎ ｃｏｒｒｅｃｔｉｎｇ ＰＲ ｖａｌｕｅ ｏｆ Ｗ ｅｂ ｐａｇｅ，ｉｔ ｒｅｔｕｒｎｓ ａ ｎｅｗ ｓｏｒｔｅｄ ｒｅｓｕｌｔ．Ｔｈｅ ａｌｇｏｒｉｔｈｍ ｕｓｅｓ ｉｍｐｒｏｖｅｄ ＴＤ—ＩＤＦ ａｌｇｏｒｉｔｈｍ ｔｏ ｓｌｏｖｅ ｐａｇｅ’ｓ ｒｅｌｅｖａｎｃｅ ｂｙ ｃｏｎｔｅｎｔ ａｎａｌｙｓｉｓ，ｉｍ ｐｒｏｖｉｎｇ ｔｈｅ ｔｏｐｉｃ ｄｒｉｆｔ．Ｓｉｍ ｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｉｍ ｐｒｏｖｅｄ ａｌｇｏｒｉｔｈｍ ｃａｎ ｉｍ ｐｒｏｖｅ ｔｈｅ ｑｕａｌｉｔｙ ｏｆ ｐａｇｅ ｒａｎｋｉｎｇ．Ａ ｈｉｇｈ ｄｅｇｒｅｅ ｏｆ ｃｏｒｒｅｌａｔｉｏｎ ｏｆ ｐａｇｅｓ ｏｂｔａｉｎｓ ｄｉｆｆｅｒｅｎｔ ｄｅｇｒｅｅｓ ｗ ｅｉｇｈｔｅｄ ｂｙ ｔｈｅ ｐｅｏｐｌｅ ｃｈｏｏｓｅ．Ａ ｗｅｉｇｈｔｅｄ ｐａｇｅ ｉｓ ｅｎｈａｎｃｅｄ ｉｎ ｒａｎｋｉｎｇ ｏｆ ｔｈｅ ｓｅａｒｃｈ ｒｅｓｕｌｔｓ，ａｎｄ ｉｍ ｐｒｏｖｅｓ ｔｈｅ ｐｒｅｃｉｓｉｏｎ ｏｆ ｕｓｅｒ ｄｅｍ ａｎｄ ｐａｇｅｓ．
【Ｋｅｙ ｗｏｒｄｓ】ａｕｔｈｏｒｉｔａｔｉｖｅ ｆａｃｔｏｒ；ｔｉｍｅ ｆａｃｔｏｒ；ｔｏｐｉｃ ｄｒｉｆｔ；ｔｒａｎｓｉｔｉｏｎ ｐｒｏｂａｂｉｌｉｔｙ；ＰＲ ｖａｌｕｅ
ＤＯＩ：１０．３９６９／ｉ．ｉｓｓｎ．１０００—３４２８．２０１６．０２．０３０
１ 概 述
虽 然搜 索 引 擎 的发 展 速 度 非 常 惊 人 ，但 信 息 量 的增 长 速 度 是 呈 几 何 式 的 。人 们 习惯 于 依 靠 根 据 排 名算 法 的搜 索 引 擎 找 到 有 用 的 信 息 。然 而 经 典 的 ＰａｇｅＲａｎｋ 算法 存 在 一 些 缺 点 ，网 络 是 动 态 的 ， 新 的 网 页 应 及 时 更 新 ，在 实 际 访 问 时 ＰａｇｅＲａｎｋ算 法 忽 略 时 间 的因 素 ，这 是非 常 不 合理 的 。人 们 总 是 倾 向 于 寻 求 新 的 页 面 ，而 在 经 典 ＰａｇｅＲａｎｋ算 法 中 那 些 旧 的 网页 往 往 能 得 到 更 高 的 ＰＲ 值 ，这 违 背 了 用 户 的需 求 。 由浙 江 工 业 大 学 的 黄 德 才 教 授 和 戚
Ｉｍ ｐｒｏｖｅｄ ＰａｇｅＲａｎｋ Ａｌｇｏｒｉｔｈｍ Ｂａｓｅｄ ｏｎ Ｕ ｓｅｒ Ｂｅｈａｖｉｏｒ ａｎｄ Ｐａｇｅ Ａｎａｌｙｓｉｓ
Ｗ Ａ ＮＧ Ｘ ｕｙａｎｇ，ＲＥＮ Ｇｕｏｓｈｅｎｇ （Ｓｃｈｏｏｌ ｏｆ Ｃｏｍｐｕｔｅｒ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ，Ｌａｎｚｈｏｕ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｌａｎｚｈｏｕ ７３００００，Ｃｈｉｎａ）
Ｖ ｏ１．４２ Ｎ ຫໍສະໝຸດ ．２ · 人 工 智 能 及 识 别 技 术 ·
计 算 机 工 程
Ｃｏｍ ｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ
文章编号 ：１０００－３４２８（２０１６）０２－０１６４．０５
文献标识码：Ａ
２０１６年 ２月
Ｆｅｂｒｕａｒｙ ２０１６
中图分类号：ＴＰ３９１
中文引用格式 ：王旭 阳，任 国盛．基 于用户 行 为与 页 面分 析 的改进 ＰａｇｅＲａｎｋ算 法 ［Ｊ］．计 算 机工 程 ，２０１６，４２（２）：
１６４—１６８．
英 文 引用 格 式 ：Ｗａｎｇ Ｘｕｙａｎｇ，Ｒｅｎ Ｇｕｏｓｈｅｎｇ．Ｉｍｐｒｏｖｅｄ ＰａｇｅＲａｎｋ Ａｌｇｏｒｉｔｈｍ Ｂａｓｅｄ ｏｎ Ｕｓｅｒ Ｂｅｈａｖｉｏｒ ａｎｄ Ｐａｇｅ Ａｎａｌｙｓｉｓ［Ｊ］．Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ，２０１６，４２（２）：１６４－１６８．
基 于用 户 行 为 与 页面 分 析 的 改进 ＰａｇｅＲａｎｋ算 法
王 旭 阳 ，任 国盛
（兰 州 理 工 大 学 计 算 机 与 通信 学 院 ，兰 州 ７３００００）
摘 要 ：在 经 典 ＰａｇｅＲａｎｋ算 法 中 ，页 面 的 转 移 概 率 平 均 分 配 到 链 出页 面 ，由 于 新 网页 的链 接 较 少 ，其 ＰＲ 值 普 遍 较 低 。经 典 ＰａｇｅＲａｎｋ算 法 通 过 链 接 计 算 ＰＲ值 ，未 考 虑 到 网 页 的 内容 ，存 在 主 题 漂 移 现 象 。 针 对 上 述 问 题 ，引 入 网 页 权 威 因子 和 时 间 因 子 ，通过 网 页按 关 键 字检 索 后 被 点 击 的 次 数 进 行 统 计 ，根 据 其 在 初 始 排 序 结 果 中 的 位 置 对 网 页 的 ＰＲ值 进 行 迭 代 修 正 ，返 回一 个 新 的排 序 结 果 并 分 析 网页 内容 ，采 用 改 进 的 ＴＤ—ＩＤＦ算 法 解 决 网 页 相 关 性 ，避 免 主 题 漂 移 现 象 。仿 真 实 验 结 果 表 明 ，改 进 算 法 可 以提 高 网 页 排 名 的质 量 ，使 相 关 度 较 高 的 网页 通 过 人 们 的 自主选 择 获 得 不 同 程 度 的 加 权 ，获 得 加 权 的 网页 在 检 索 结 果 中 的排 名 得 到 提 升 ，从 而 提 高 用 户 需 求 网页 的查 准 率 。 关 键 词 ：权 威 因子 ；时 间 因子 ；主 题 漂 移 ；转 移 概 率 ；ＰＲ 值
【Ａｂｓｔｒａｃｔ】Ｉｎ ｃｌａｓｓｉｃａｌ ＰａｇｅＲａｎｋ ａｌｇｏｒｉｔｈｍ ，ｔｒａｎｓｉｔｉｏｎ ｐｒｏｂａｂｉｌｉｔｙ ｏｆ ｐａｇｅ ｉｓ ｅｑｕａｌｌｙ ｄｉｓｔｒｉｂｕｔｅｄ ｔｏ ｔｈｅ ｏｕｔｌｉｎｋｓ．Ｔｈｅｒｅ ａｒｅ
ｆｅｗ ｌｉｎｋｓ ｏｆ ｎｅｗ ｐａｇｅ，ｓｏ ｉｔｓ ＰＲ ｖａｌｕｅ ｉｓ ｇｅｎｅｒａｌｌｙ ｌｏｗ ．Ｃｌａｓｓｉｃａｌ ＰａｇｅＲａｎｋ ａｌｇｏｒｉｔｈｍ ｉｓ ｕｓｅｄ ｔｏ ｃａｌｃｕｌａｔｅ ｔｈｅ ＰＲ ｖａｌｕｅ ｔｈｒｏｕｇｈ ｌｉｎｋｓ，ｗｉｔｈｏｕｔ ｔａｋｉｎｇ ｉｎｔｏ ａｃｃｏｕｎｔ ｔｈｅ ｃｏｎｔｅｎｔ ｏｆ ｔｈｅ ｐａｇｅ，ｓｏ ｔｈｅｒｅ ｉｓ ｔｏｐｉｃ ｄｒｉｆｔ．Ｔｏ ｓｏｌｖｅ ｔｈｅｓｅ ｐｒｏｂｌｅｍ ｓ，ｔｈｉｓ ｐａｐｅｒ ｉｎｔｒｏｄｕｃｅｓ ａｕｔｈｏｒｉｔａｔｉｖｅ ｆａｃｔｏｒ ａｎｄ ｔｉｍ ｅ ｆａｃｔｏｒ ｔｏ ｅｘｐｌｏｒｅ ｔｈｅ ｉｍ ｐｏｒｔａｎｃｅ ｏｆ Ｗ ｅｂ ｐａｇｅｓ，ａｎｄ ａｆｔｅｒ ｋｅｙｗｏｒｄｓ ｒｅｓｅａｒｃｈｉｎｇ，ｉｔ ｃｏｕｎｔｓ ｔｈｅ ｎｕｍ ｂｅｒ ｏｆ ｃｌｉｃｋｓ．Ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅｉｒ ｐｏｓｉｔｉｏｎ ｏｆ ｉｎｉｔｉａｌ ｓｏｒｔｅｄ ｒｅｓｕｌｔｓ，ｔｈｅｎ ｉｔｅｒａｔｉｏｎ ｃｏｒｒｅｃｔｉｎｇ ＰＲ ｖａｌｕｅ ｏｆ Ｗ ｅｂ ｐａｇｅ，ｉｔ ｒｅｔｕｒｎｓ ａ ｎｅｗ ｓｏｒｔｅｄ ｒｅｓｕｌｔ．Ｔｈｅ ａｌｇｏｒｉｔｈｍ ｕｓｅｓ ｉｍｐｒｏｖｅｄ ＴＤ—ＩＤＦ ａｌｇｏｒｉｔｈｍ ｔｏ ｓｌｏｖｅ ｐａｇｅ’ｓ ｒｅｌｅｖａｎｃｅ ｂｙ ｃｏｎｔｅｎｔ ａｎａｌｙｓｉｓ，ｉｍ ｐｒｏｖｉｎｇ ｔｈｅ ｔｏｐｉｃ ｄｒｉｆｔ．Ｓｉｍ ｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｉｍ ｐｒｏｖｅｄ ａｌｇｏｒｉｔｈｍ ｃａｎ ｉｍ ｐｒｏｖｅ ｔｈｅ ｑｕａｌｉｔｙ ｏｆ ｐａｇｅ ｒａｎｋｉｎｇ．Ａ ｈｉｇｈ ｄｅｇｒｅｅ ｏｆ ｃｏｒｒｅｌａｔｉｏｎ ｏｆ ｐａｇｅｓ ｏｂｔａｉｎｓ ｄｉｆｆｅｒｅｎｔ ｄｅｇｒｅｅｓ ｗ ｅｉｇｈｔｅｄ ｂｙ ｔｈｅ ｐｅｏｐｌｅ ｃｈｏｏｓｅ．Ａ ｗｅｉｇｈｔｅｄ ｐａｇｅ ｉｓ ｅｎｈａｎｃｅｄ ｉｎ ｒａｎｋｉｎｇ ｏｆ ｔｈｅ ｓｅａｒｃｈ ｒｅｓｕｌｔｓ，ａｎｄ ｉｍ ｐｒｏｖｅｓ ｔｈｅ ｐｒｅｃｉｓｉｏｎ ｏｆ ｕｓｅｒ ｄｅｍ ａｎｄ ｐａｇｅｓ．
【Ｋｅｙ ｗｏｒｄｓ】ａｕｔｈｏｒｉｔａｔｉｖｅ ｆａｃｔｏｒ；ｔｉｍｅ ｆａｃｔｏｒ；ｔｏｐｉｃ ｄｒｉｆｔ；ｔｒａｎｓｉｔｉｏｎ ｐｒｏｂａｂｉｌｉｔｙ；ＰＲ ｖａｌｕｅ
ＤＯＩ：１０．３９６９／ｉ．ｉｓｓｎ．１０００—３４２８．２０１６．０２．０３０
１ 概 述
虽 然搜 索 引 擎 的发 展 速 度 非 常 惊 人 ，但 信 息 量 的增 长 速 度 是 呈 几 何 式 的 。人 们 习惯 于 依 靠 根 据 排 名算 法 的搜 索 引 擎 找 到 有 用 的 信 息 。然 而 经 典 的 ＰａｇｅＲａｎｋ 算法 存 在 一 些 缺 点 ，网 络 是 动 态 的 ， 新 的 网 页 应 及 时 更 新 ，在 实 际 访 问 时 ＰａｇｅＲａｎｋ算 法 忽 略 时 间 的因 素 ，这 是非 常 不 合理 的 。人 们 总 是 倾 向 于 寻 求 新 的 页 面 ，而 在 经 典 ＰａｇｅＲａｎｋ算 法 中 那 些 旧 的 网页 往 往 能 得 到 更 高 的 ＰＲ 值 ，这 违 背 了 用 户 的需 求 。 由浙 江 工 业 大 学 的 黄 德 才 教 授 和 戚
Ｉｍ ｐｒｏｖｅｄ ＰａｇｅＲａｎｋ Ａｌｇｏｒｉｔｈｍ Ｂａｓｅｄ ｏｎ Ｕ ｓｅｒ Ｂｅｈａｖｉｏｒ ａｎｄ Ｐａｇｅ Ａｎａｌｙｓｉｓ
Ｗ Ａ ＮＧ Ｘ ｕｙａｎｇ，ＲＥＮ Ｇｕｏｓｈｅｎｇ （Ｓｃｈｏｏｌ ｏｆ Ｃｏｍｐｕｔｅｒ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ，Ｌａｎｚｈｏｕ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｌａｎｚｈｏｕ ７３００００，Ｃｈｉｎａ）