网页排序算法
合集下载
相关主题
- 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)。
值的累加。
PageRank定义
L.Page等人对PageRank的定义：
PR(Tn ) PR(T1 ) PR(T2 ) PR( A) C ( ... ) C (T1 ) C (T2 ) C (Tn )
PR(A)：表示网页A的PageRank值； C：为规范化因子，是保证所有网页的PR值总和为一常量； T1,T2,…,Tn ：链接到网页A的其他网页； PR(Ti)：网页Ti的PageRank值； C(Ti)：网页Ti指向其他网页的超链接数目。
aij＝ 1 0 (从页面 i 向页面 j 有 链接的情况) (从百度文库面 i 向页面 j 没有链接的情况)
来表示。
PageRank计算（二）
文件数用 N 来表示的话，这个行列阵就成为 N×N 的 方阵。这个相当于在图论中的“邻接矩阵”。也就是 说，Web 的链接关系可以看做是采用了邻接关系有向 图 S。总而言之，只要建立了链接，就应该有邻接关 系。
PageRank定义
基本思想：如果网页T存在一个指向网页A的连接，则 表明T的所有者认为A比较重要，从而把T的一部分重要 性得分赋予A。这个重要性得分值为： PR（T）/C(T)。 其中PR（T）为T的PageRank值，C(T)为T的出链数， 则A的PageRank值为一系列类似于T的页面重要性得分
第二代搜索引擎
基于超链接的检索也称链接分析，是搜索引擎面对网 络这一动态环境，所采用的一种新的检索排序方法。 基本思想 PageRank算法 HITs算法
超链接分析的基本思想
主要是来自传统的文献计量学中的文献引文分析。传 统的文献引文分析认为，一篇学术论文的价值很大程 度上体现在它被其他学术论文作为参考文献饮用的次 数，即被其他学术论文引用得越多，这篇论文的价值 就越高。 超链接分析充分利用了网络自身的超链接结构，提出 了一个假设，即网页的重要性可用其他网页对其超链 接的数量来衡量。
PageRank计算（一）
任意 P S : PR ( P 0) 1 S
While
( PR(P)i PR(P)i1 )
P S;
;
{for each
PR( P)i PR( P)i 1 (
C 1
PR(P)
PS
PR(Tn ) PR(T1 ) PR(T2 ) ... ) C (T1 ) C (T2 ) C (Tn ) ;
PageRank概念
Google的PageRank根据网站的外部链接和内部链接的 数量和质量来衡量网站的价值。PageRank背后的概念 是，每个到页面的链接都是对该页面的一次投票，被 链接的越多，就意味着被其他网站投票越多。这个就 是所谓的“链接流行度”——衡量多少人愿意将他们
的网站和你的网站挂钩。 PageRank分值从0到10，PR值越高说明该网页越受欢 迎。
网络检索
李柯
2010-12
搜索引擎的发展
第一代搜索引擎——基于关键词的检索 第二代搜索引擎——基于超链接的检索 第三代搜索引擎——基于概念的检索
第一代搜索引擎
基于关键词的检索是利用关键词索引来获取文档，即 整个文档的内容通过这些关键词进行表示，同样，用 户的检索提问式也用一组关键词来表示。然后利用关 键词将文档与提问式进行匹配，计算文档与提问式的 相关程度。 布尔模型 向量空间模型 概率模型
超链接分析的基本思想
一般地，我们把一个由网页A指向网页B的超链接理解 为网页A中包含对网页B的引用，则超链接分析最简单 直接的应用是：指向一个网页的超链接数目越多，则 这个网页的重要性就越高。 也可以这样理解： 网页A指向网页B的链接 由网页A对网页B投了一票。
PageRank概念
PageRank(网页级别)， 2001年9月被授予美国专 利，专利人是Google创始 人之一拉里· 佩奇（Larry Page）。 它是Google排名运算法则 （排名公式）的一部分， 是Google用于用来标识网 页的等级/重要性的一种方 法，是Google用来衡量一 个网站的好坏的唯一标准。
PageRank计算（二）
PageRank 的行列阵是把这个邻接行列倒置后(行和列 互换)，为了将各列(column)矢量的总和变成 1 (全概 率), 把各个列矢量除以各自的链接数(非零要素数)。这 样作成的行列被称为「推移概率行列」，含有 N 个概 率变量，各个行矢量表示状态之间的推移概率。倒置 的理由是，PageRank 并非重视「链接到多少地方」而 是重视「被多少地方链接」。
PageRank计算（一）
利用PageRank的公式定义可以计算网页集合中所有网 页的PR值。假设S为整个网页的总和，由于所有网页的 PR值开始都是未知的，我们进行平均分配，给每个网 页的PR值都赋予1/S，再根据公式定义进行计算，然后 对得到的值再次利用公式定义，这样循环反复，直到 计算所得的PR值收敛于一个相对固定的值。 算法如下：
PageRank定义
假设前提：即认为所有的网页形成一个牢固的链接图， 每个网页都能从其他网页通过超链接到达。定义中给 出的PR值都可以根据所有链接到它的网页的PR值除以 各自向外的超链接数的商再进行求和。 假如一个人对网页上的超链接的点击是随机的，在牢 固链接图的假设前提下，可以到达任一网页，只是到 大的可能性大小不同。 显然，网页链入的超链接数越多，到达的可能性就越 大，相应的PR值就越高。对于PR值高的网页链接到的 网页，到达的可能性也就越大，其PR值也相应越高。
i
PR( P) i C PR( P) i ;
}
for each P S
;
PageRank计算（一）
算法中PR(P)i表示进行i次循环计算后的PR值，C的计算 是保证总PR值为1 L.Page等人通过实验，认为循环次数和链接数目是对 数增长的。
PageRank计算（二）
作为最基本的考虑方法，就是用行列式的形式来表达 链接关系。从页面 i 链接到另一张页面 j 的时，将其成 分定义为1，反之则定义为 0 。即，行列阵 A 的成分 aij 可以用
PageRank定义
L.Page等人对PageRank的定义：
PR(Tn ) PR(T1 ) PR(T2 ) PR( A) C ( ... ) C (T1 ) C (T2 ) C (Tn )
PR(A)：表示网页A的PageRank值； C：为规范化因子，是保证所有网页的PR值总和为一常量； T1,T2,…,Tn ：链接到网页A的其他网页； PR(Ti)：网页Ti的PageRank值； C(Ti)：网页Ti指向其他网页的超链接数目。
aij＝ 1 0 (从页面 i 向页面 j 有 链接的情况) (从百度文库面 i 向页面 j 没有链接的情况)
来表示。
PageRank计算（二）
文件数用 N 来表示的话，这个行列阵就成为 N×N 的 方阵。这个相当于在图论中的“邻接矩阵”。也就是 说，Web 的链接关系可以看做是采用了邻接关系有向 图 S。总而言之，只要建立了链接，就应该有邻接关 系。
PageRank定义
基本思想：如果网页T存在一个指向网页A的连接，则 表明T的所有者认为A比较重要，从而把T的一部分重要 性得分赋予A。这个重要性得分值为： PR（T）/C(T)。 其中PR（T）为T的PageRank值，C(T)为T的出链数， 则A的PageRank值为一系列类似于T的页面重要性得分
第二代搜索引擎
基于超链接的检索也称链接分析，是搜索引擎面对网 络这一动态环境，所采用的一种新的检索排序方法。 基本思想 PageRank算法 HITs算法
超链接分析的基本思想
主要是来自传统的文献计量学中的文献引文分析。传 统的文献引文分析认为，一篇学术论文的价值很大程 度上体现在它被其他学术论文作为参考文献饮用的次 数，即被其他学术论文引用得越多，这篇论文的价值 就越高。 超链接分析充分利用了网络自身的超链接结构，提出 了一个假设，即网页的重要性可用其他网页对其超链 接的数量来衡量。
PageRank计算（一）
任意 P S : PR ( P 0) 1 S
While
( PR(P)i PR(P)i1 )
P S;
;
{for each
PR( P)i PR( P)i 1 (
C 1
PR(P)
PS
PR(Tn ) PR(T1 ) PR(T2 ) ... ) C (T1 ) C (T2 ) C (Tn ) ;
PageRank概念
Google的PageRank根据网站的外部链接和内部链接的 数量和质量来衡量网站的价值。PageRank背后的概念 是，每个到页面的链接都是对该页面的一次投票，被 链接的越多，就意味着被其他网站投票越多。这个就 是所谓的“链接流行度”——衡量多少人愿意将他们
的网站和你的网站挂钩。 PageRank分值从0到10，PR值越高说明该网页越受欢 迎。
网络检索
李柯
2010-12
搜索引擎的发展
第一代搜索引擎——基于关键词的检索 第二代搜索引擎——基于超链接的检索 第三代搜索引擎——基于概念的检索
第一代搜索引擎
基于关键词的检索是利用关键词索引来获取文档，即 整个文档的内容通过这些关键词进行表示，同样，用 户的检索提问式也用一组关键词来表示。然后利用关 键词将文档与提问式进行匹配，计算文档与提问式的 相关程度。 布尔模型 向量空间模型 概率模型
超链接分析的基本思想
一般地，我们把一个由网页A指向网页B的超链接理解 为网页A中包含对网页B的引用，则超链接分析最简单 直接的应用是：指向一个网页的超链接数目越多，则 这个网页的重要性就越高。 也可以这样理解： 网页A指向网页B的链接 由网页A对网页B投了一票。
PageRank概念
PageRank(网页级别)， 2001年9月被授予美国专 利，专利人是Google创始 人之一拉里· 佩奇（Larry Page）。 它是Google排名运算法则 （排名公式）的一部分， 是Google用于用来标识网 页的等级/重要性的一种方 法，是Google用来衡量一 个网站的好坏的唯一标准。
PageRank计算（二）
PageRank 的行列阵是把这个邻接行列倒置后(行和列 互换)，为了将各列(column)矢量的总和变成 1 (全概 率), 把各个列矢量除以各自的链接数(非零要素数)。这 样作成的行列被称为「推移概率行列」，含有 N 个概 率变量，各个行矢量表示状态之间的推移概率。倒置 的理由是，PageRank 并非重视「链接到多少地方」而 是重视「被多少地方链接」。
PageRank计算（一）
利用PageRank的公式定义可以计算网页集合中所有网 页的PR值。假设S为整个网页的总和，由于所有网页的 PR值开始都是未知的，我们进行平均分配，给每个网 页的PR值都赋予1/S，再根据公式定义进行计算，然后 对得到的值再次利用公式定义，这样循环反复，直到 计算所得的PR值收敛于一个相对固定的值。 算法如下：
PageRank定义
假设前提：即认为所有的网页形成一个牢固的链接图， 每个网页都能从其他网页通过超链接到达。定义中给 出的PR值都可以根据所有链接到它的网页的PR值除以 各自向外的超链接数的商再进行求和。 假如一个人对网页上的超链接的点击是随机的，在牢 固链接图的假设前提下，可以到达任一网页，只是到 大的可能性大小不同。 显然，网页链入的超链接数越多，到达的可能性就越 大，相应的PR值就越高。对于PR值高的网页链接到的 网页，到达的可能性也就越大，其PR值也相应越高。
i
PR( P) i C PR( P) i ;
}
for each P S
;
PageRank计算（一）
算法中PR(P)i表示进行i次循环计算后的PR值，C的计算 是保证总PR值为1 L.Page等人通过实验，认为循环次数和链接数目是对 数增长的。
PageRank计算（二）
作为最基本的考虑方法，就是用行列式的形式来表达 链接关系。从页面 i 链接到另一张页面 j 的时，将其成 分定义为1，反之则定义为 0 。即，行列阵 A 的成分 aij 可以用