大数据pagerank算法设计

算法设计：

假设一个有集合：A，B，C和D 是由4个网页组成的。在同一个页面之中，多个指向相同的链接，把它们看作是同一个链接，并且每个页面初始的PageRank值相同。因为要满足概率值位于0到1之间的需求，我们假设这个值是0.25。

在每一次的迭代中，给定页面的PR值（PageRank值）会被平均分配到此页面所链接到的页面上。

倘若全部页面仅链接到A，这样的话A的PR值就是B，C和D的PR值之和，即：PR（A）=PR（B）+PR（C）+PR（D）{\displaystyle PR(A)=PR(B)+PR(C)+PR(D)} 再次假设C链接到了A，B链接到了A和C，D链接到了A,B,C。最开始的时候一个页面仅仅只会有一票。正因为这样，所以的话B将会给A ,C这两个页面每一个页面半票。按照这样来类比推算，D所投出去的票将只会有三分之一的票会被添加到属于A 的PR值上：

{\displaystyle PR(A)={\frac {PR(B)}{2}}+{\frac {PR(C)}{1}}+{\frac

{PR(D)}{3}}}

换个方式表达的话，算法将会依据每一个页面链接出来的总数 {\displaystyle L(x)}平均的分配每一个页面的PR值，然后把它添加至它指向的页面：

最后，这些全部的PR值将会被变换计算成为百分比的形式然后会再乘上一个修正系数。因为“没有向外链接的网页”它传递出去的PR值将会是0，而且这将递归地差生影响从而使得指向它的页面的PR值的计算出来得到的结果同样是零，因此每一个页面要有预先设置好了的一个最小值：

需要注意的是，在Sergey Brin和Lawrence Page的1998年原版论文中给每一个页面设定的最小值是1-d，而不是这里的（1-d)/N，这将导致集合中所有网页的PR值之和为N（N为集合中网页的数目）而并不是所期待的1。

所以，一个页面的PR值直接取决于指向它的的页面。如果在最初给每个网页一个随机且非零的PR值，经过重复计算，这些页面的PR值将会逐渐接近于某一个固定

定值，也就是处于收敛的状态，即最终结果。这就是搜索引擎使用该算法的原因。【测试环境】

【测试数据】

【测试结果】

PageRank算法的主要缺点在于旧的页面的排名往往会比新页面高。因为即使是质量很高的新页面也往往不会有很多外链，除非它是某个已经存在站点的子站点。这也是PageRank 需要多项算法结合以保证其结果的准确性的原因。