链接分析

21.2.3 面向主题的 PageRank
实际上，我们可以假设每个人的兴趣可通过多个主题网页分布的线 性组合来很好地近似。 比如，拥有 60%体育类兴趣和 40%政治类兴趣的用户的个性化 PageRank 就可以表示成：
其中，分别是面向体育和政治主题的PageRank 。
21.3 Hub 网页及 Authority 网页

问次数，那么 =
其 中，π(i) > 0是状态 i的稳态概率。
21.1.2 PageRank 的计算
原始的PageRank公式
R(u)和R(v)是分别是网页u、v的PageRank值 Bu指的是指向网页u的网页集合 Nv是网页v的出链数目
c为归一化参数 网页的每条出链上每个分量上承载了相同的PageRank分量。
HITS算法（超链导向的主题搜索） 21.3.1 Web 子集的选择
21.1 Web 图
Web可以看成一个有向图 (1) 指向页面 B 的锚文本是对 B 的一个很好的描述。 (2) A 到 B 的超链接表示 A 的作者对 B 的认可。
21.1.1 锚文本和 Web 图
<a href="http://www.acm.org/jacm/">Journal of the ACM.</a> 链接指向页面www.acm.org/jacm/ 其锚文本为 Journal of the ACM。 那么，锚文本到底起什么作用呢？
21.1.2 PageRank 的计算
回顾公式（18-2）转移概率矩阵 P的 N维左特征向量满足
主特征向量 π是带随机跳转操作的随机游走过程的稳态概率，因此也

就是所有 Web网页的Rank Page值。 如果我们计算出对应于矩阵 P 的特征值 1 的主左特征向量的话，那么 就计算出了 PageRank的值。
利用恒等式 p = 5/18，于是=( 5/18 4/9 5/18)
21.2.3 面向主题的 PageRank
考虑非等概率跳到一个随机网页的情况，这样就可以推出基于特定的兴
趣的 PageRank。
比如，一个体育迷可能希望有关体育主题的网页的排名要高于非体育主 题的网页。
在随机游走过程中，一个喜欢体育类网页的冲浪者可能会在这类网页上
21.2.1 马尔科夫链
Web图的邻接矩阵A可以如下定义
如果存在网页i到网页j的一条链接，那么Aij=1，否则 Aij=0。 这样，我们很容易就可以从N×N的矩阵A推导出马尔科夫链的转移 概率矩阵P。
21.2.1 马尔科夫链
转移概率矩阵P的计算
如果A的某一行没有 1，则用 1/N代替每个元素。
对于其他行的处理如下：

如果从 v 到 y 存在一条超链接，则记为 。
21.3 Hub 网页及 Authority 网页
A表示我们所处理的 Web子集的邻接矩阵，每一行和每一列都对应 Web 子图的一个网页。
21.3 Hub 网页及 Authority 网页
于是，可以得到以下重要推论 （1）假定 的主特征向量是唯一的，那么h和a最后会收敛于某个唯一 的稳态向量，而具体稳态向量的取值取决于矩阵 A，也就是说图的结 构。
科夫性。
21.2.1 马尔科夫链
因此，基于马尔科夫性，我们有

=1 满足上述性质的非负矩阵被称为随机矩阵。
21.2.1 马尔科夫链
包含 3个状态的简单马尔科夫链 从中间的状态 A出发，可以分别以等概率 0.5到达 B或 C。 而从 B或 C出发，都会以概率 1到达 A。该马尔科夫链的转移概率 矩阵为：
(1)用每行中的 1 的个数去除每个 1，因此如果某行有 3 个 1，则每
个 1 用 1/3 代替； (2) 上面处理后的结果矩阵乘以 1-α； (3) 对于上面得到的矩阵中的每个元素都加上α/N
21.2.1 马尔科夫链
定义 一个马尔科夫链，如果存在一个正整数 T0使得对其中所有的状态对 i、j 都满
21.1.2 PageRank 的计算
简单计算的例子(c=1)
R(A)=R(C) R(B)=0.5R(A) R(C)=R(B)+0.5R(A) R(A)+R(B)+R(C)=1 解上述方程得： R(A)=R(C)=0.4 R(B)=0.2
21.1.2 PageRank 的计算
原始PageRank的一个不足
21.2 PageRank
某个冲浪者处于节点 A ，其中 A 有三个链接分别指向 B、C、D，那么
下一步他将以 1/3的等概率分别访问这三个节点。
直观地看，这些访问频繁的节点具有很多从其他频繁访问节点中指向 的入链接。 PageRank的思路就是，在随机游走过程中访问越频繁的网页也越重要。
21.2 PageRank
图中存在一个循环通路，循环通路中的每个节点它们并不指出去，即不 将PageRank分配给其他节点！
21.1.2 PageRank 的计算
改进的PageRank公式
到达u的概率由两部分组成：一部分是直接随机选中的概率(1-d)或(1-
d)/N，另一部分是从指向它的网页顺着链接浏览的概率，则有
上述两个公式中，后一个公式所有网页PageRank的和为1，前一个公式 的PageRank和为N(1-d)+d 。 PageRank很难通过解析方式求解，通常通过迭代方式求解，d通常取0.85。
停留大量的时间，因此，体育类网页的稳态分布概率被提升。
21.2.3 面向主题的 PageRank
假定与体育相关的网页集合S非空，因此存在一个非空网页集合 ，其中 Y中的随机游走过程存在稳态分布。

我们将这个面向体育主题的PageRank的分布记，而对于不在Y中出现的 网页，令其PageRank为 0。我们称为面向体育主题的PageRank。
究所，这种网页我们将之称为权威型网页（authority），具有很高
authority值。 另一方面，Web中存在很多网页，这些所谓的导航型网页（hub）， 利用这些导航型网页来帮助我们找到权威型网页。
21.3 Hub 网页及 Authority 网页
一个好的 hub网页会同时指向多个好的 authority网页，
第21讲 链接分析
邱均平教授认为，要想取得突破性进展，还需要完善以下几个方面的研究 明确研究对象及相关基础理论研究 加强方法研究，形成自身独特的方法体系
大力开发和完善专用工具和软件
积极探索新的应用领域，使应用视野逐渐突破科研和教育领域，拓展到 更为广泛的应用空间。
第21讲 链接分析
足：
若i 是初始状态，那么对所有的 t>T0，在时刻 t 处于状态 j 的概率都大于 0。 此时，称该马尔科夫链是遍历马尔科夫链。
21.2.1 马尔科夫链
定理 21-1
对任一遍历马尔科夫链，都存在一个唯一的稳态概率 πr，它是 矩阵 P的主左特 征向量，并且如果 η(i, t)是在 t步之内状态 i的访
本节中，给定某个查询，我们对每个网页给出两个得分
一个得分被称为hub值，另外一个被称为authority值。 因此对于任一查询，我们都可以得到两个排序结果列表，其中一个 基于hub值，而另一个基于authority值。
21.3 Hub 网页及 Authority 网页
比如“ 我想了解白血病相关的知识” 。 对于这个主题而言，存在一些权威性的网页，比如美国国家癌症研
21.1.1 锚文本和 Web 图
因此，锚文本往往比网页本身更能揭示网页的内容； 在计算过程中，锚文本应该被赋予比文档中文本更高的权重。
刻意策划的锚文本可能是一种作弊形式 某个网站可以通过构造具有误导性的锚文本来指向自己，从而提高在某些查询词项上的排名。
21.2 PageRank
链接分析的第一种技术是对 Web图中的每个节点赋一个 0 到 1 之间的 分值，这个分值被称为 PageRank。
21.3 Hub 网页及 Authority 网页
HITS计算方法
A( p ) H ( qi ) (其中qi是所有链接到p的页面) H ( p ) A( ri ) (其中ri是所有页面p链接到的页面）
一个网页被越重要的导航型网页指向越多，那么它的Authority越大； 一个网页指向的高重要度权威型网页越多，那么它的Hub越大。
假定我们有一个包含好的 hub网页和 authority网页的 Web子集及它们 之间的链接。
下面我们将介绍如何基于这个子集迭代计算每个网页的 hub值和
authority值。
21.3 Hub 网页及 Authority 网页
在上述 Web子集中，某个网页 v的 hub值记为 h(v)，authority值记为 a(v)。 对于任一节点 v，初始化赋值为 h(v)=a(v)=1。
21.3 Hub 网页及 Authority 网页
一个好的 hub网页会同时指向多个好的 authority网页， 而一个好的 authority网页同时会被多个好的 hub网页所指向。
因此，我们似乎可以给出一个 hub值和 authority值的循环定义，然后
通过迭代计算来求解。
21.3 Hub 网页及 Authority 网页
第21讲 链接分析
目前国内外主要将网络链接分析方法用于 网络信息资源评价、网站网络影响力评价、大学评价、期刊评价 核心网络与核心作者发现、网络社区发现（如博客群）
竞争情报与竞争对手分析、网站关联分析
虚拟社区、搜索引擎优化等方面，并且取得了丰硕的研究成果。 网络链接分析及其应用展现出勃勃生机。 文庭孝,王尧等.网络链接分析应用研究综述[J]图书情报知识.2011(4):84-96 李江,殷之明.链接分析研究综述[J]大学图书馆学报.2008(2):51-58
而一个好的 authority网页同时会被多个好的 hub网页所指向。
authority 和 hub 之间相互优化的关系，即为 HITS算法的基础。
21.3 Hub 网页及 Authority 网页
HITS（超链导向的主题搜索）
如果用户希望了解一个陌生领域的研究内容，hub页面所包含的超链指向各种不 同的链宿，能够提供丰富的信息；但如果用户希望查找一个具体的概念或范畴， 则authority 页面的定位更加准确。 因此,每个网页计算两个值 Hub：作为目录型或导航型网页的权重 Authority：作为权威型网页的权重
21.1.2 PageRank 的计算
设想冲浪者的初始状态为 1，对应的初始状态概率分布向量为=(1,0,0)
21.1.2 PageRank 的计算
反复迭代一定次数之后，x=( 5/18 4/9 5/18) 假定状态 1 和状态 3 具有相同的稳态概率，记为 p
稳态概率分布的形式为 = ( p 1-2p p)
第21讲 链接分析
链接：简单地说就是声明两个或更多事物之间的关系，网络链接是 利用超链接和超文本技术表现网络中两个或多个事物之间的关系。 链接分析研究可以追溯到1995~1996年，1996年Greey McKiernan根据 文献计量学中引文Citation的含义首先提出Sitation的概念，用来描述 网页之间相互链接的行为。 文献引用代表某篇学术论文对所引用论文的权威度认可，链接分析 方法也把超链接看成是一个网页对另一个网页的权威度认可。
本章主要关注
链接结构信息在 Web搜索结果排序中的使用。
第21讲 链接分析
21.1 Web 图
21.1.1 锚文本和 Web 图
21.2 PageRank
21.2.1 马尔科夫链 21.1.2 PageRank 的计算 21.2.3 面向主题的 PageRank
21.3 Hub 网页及 AuthorFra Baidu bibliotekty 网页
随机跳转
我们将采用马尔科夫链理论来说明，当冲浪者采用这种混合过程
（随机游走加上随机跳转操作）时，他就会以一个固定的时间比例 π(v)访问每个节点 v，其中 π(v)依赖于 (i) Web 图的结构；(ii) α 的值。 我们称 π(v)为 v 的 PageRank
21.2.1 马尔科夫链
马尔科夫链是一个离散时间随机过程，这个过程中的每一步都需要做 一个随机选择。一个马尔科夫链包括 N个状态（state）。 马尔科夫链通过一个 N×N的转移概率矩阵P来刻画，其中每个元素的 值在[0,1]之间，并且 P 中每一行的元素之和为 1。 Pij被称为转移概率，它仅仅依赖于当前的状态 i，这种性质被称为马尔