基于PageRank的页面排序算法研究

值赋 予相应 的权重 ；根据链接所属信息块重要性 的不 同，赋 予相应权值 。实验表 明 ，该算法对提 高页面排序质量是
有 效的。 关 键 词 ： 页 面排 序 ； ａｅ ａ ｋ； 关度 计 算 Ｐｇ Ｒ ｎ 相
Ｒｅ ｅ ｒ ｈ ｏ ｅ ｇ ｎｋ ｎｇ Ａｌ ｏ ｉｈ ｓ ｄ ｎ Ｐａｇ Ｒａ ｓ ａ ｃ ｎ Ｗ ｂ Ｐａ ｅ Ｒａ ｉ ｇ ｒ ｔ ｍ Ｂａ ｅ ｏ ｅ ｎｋ
接块 ，那 么 ｗ ０２ ＝ ．。 ３ Ｐｇ Ｒ ｎ 法 的 改进 ． ａｅ ａｋ算 ２
网页 的相关性， 回更加符合查询主题的结果。 返
５ 结语
搜索 引擎是检索 Ｗｅ 息的最重要 工具 ，网页排序算 法 ｂ信
的研 究有助 于提高搜 索引擎 的准确率 ，具有重 要意 义。提 出
一
个 基于 Ｐ ｇＲ ｎ ａ ｅ ａ ｋ网页排序算 法 Ｃ Ｐ ｇＲ ｎ Ｂ ａｅ ａ ｋ算法 ，实验 结
果表 明 ，相对于 Ｐ ｇＲ ｎ 法 ，该算法能 够提高搜索 引擎 的 ａｅ ａｋ算 准确 率。从算法 复杂 度来看 ，Ｃ Ｐ ｇＲ ｎ 法的 网页分类 和 Ｂ ａｅ ａｋ算
ｂｅｔ ｒｒ ｕ ｔｉ ｈｅ ｒ ｎ ｉ ｇ ｑｕ ｌｔ ｔｅ ｅｓ ｌ ｎ ｔ ａ ｋ ｎ ａ ｉ ｙ． Ｋ ｅ ｒ ：ｐａ ｅ ｒｎｋｉｇ ； ｇ Ｒａ ｙ ｗｏ ｄｓ ｇ ａ ｎ Ｐａ ｅ ｎｋ ；ｃ ｃ ａ ｉｎ ｏ ｉ ｉｉｉｙ ａ ｕｌｔｏ ｆｓｍ ｌｒｔ
１ 引言
ＮＴ Ｏ ＫＡ ＤＣＭ Ｕ Ｉ Ｔ０ ＥＷ Ｒ Ｎ Ｏ Ｍ Ｎ Ａ１Ｎ Ｃ
网络与通信
基于 Ｐ ｇＲ ｎ ａｅ ａｋ的页面排序 算法研 究
杨超 ，李杰 ，李浩 字
（． １ 河北农业大学海洋学 院 ，河北 秦皇岛 ０ ６ ０ ； ２ 河北建材职业技术学 院，河北 秦皇岛 ０ ６ ０ ） ６０４ ． ６ ０ ４ 摘 要 ： 提 出一种基 于 Ｐｇ Ｒ ｎ ａｅ ａ ｋ的 页面排序算法 。采 用网页类别相 关度 计算 ，对来 自不 同类 别网页所传递的权威
链接分 析主要基 于如下 两个重 要假设 ：超文本 链 接包含 了用户对 一个 网站 的判断信 息 ；对一 个 网站 而言 ，如果其 他
网站链接 到该 网站 的入链数 越多 ，该 网站越 重要 。以下 简要
例如导航链接 、网站 版权 信息链接 、服 务链 接 、广告链接 等。
作者简介 ：杨超 （９ ２ ） １８ 一 ，男 ，助教 ，学士 ，研究 方向 ：软件 工程 、Ｗｅ ｂ应用 ；李 浩宇 （９ ４ ） １ ８ 一 ，女 ，助理 实验师 ；李杰
户优先浏览… 。网页排序算法的好坏影 响着 Ｗｅ ｂ信息检索 的准 确率 ，是 搜索 引擎 的核心技 术之一 。传 统 的基于 内容 的网页
排序 算法 ，随着 互联 网 的迅速 发展呈 现 出了很 大 的局 限性 ： 词语 的一 词多义往 往会破坏 到相关度 的测量 ；大量 网站 的作
Ｅ ，结点 ｖ ） ∈Ｖ代表一个 Ｗｅ ｂ页面 ，有 向边 （， ）∈Ｅ代表从 Ｐｑ
关链 接中的特殊 Ｕ Ｌ称为相关链接停用 Ｕ Ｌ Ｒ Ｒ。 根据 以上 特点对 网页 中的相关 链接 块和 噪声链 接块进 行 区分 ，具体 区分 规则如下 ：如果链 接块 中的某 个链 接符合 特 点 （）或特 点 （ ，则认为该链接块 是噪声块 ；如果链 接块 中 ３ ４ ）
实 验 结 果 数 据 显 示 ，Ｐ ｇＲ ｎ 算 法 获 取 主 题 相 关 网 页 的 ａｅ ａ ｋ
词。
值［ ５ １ 。根据北京 大学 的网络与分布系统研究室对北大天 网系统
的研究发 现， 用户 在第 １ 页点击数 占总点击数 的 ４ ％，本文 只 ７
对检索结果 中排在前 面的 ２ 网页的准确率进 行分析 。至 于 ０个
如何确定 给定 网页是 否符合要求 ，则是 一个非常主观 的概念 ， 目前广泛采用的方法仍 然是人ｌ Ｔ评价 ，本文也采用 了类似 的 评价 方法 ：取 每个算 法 的运行 结 果 中排 序 在前 ２ ０以内的 网 页 ，合 并成待评 价的 网页集 ，将该 集合 中 的网页 以随机 的次 序提交给 １ ０个志愿者进行评价 。网页 的主体 内容是关于查询
（９ ８ ） １７ 一 ，女 ，助教 。
收 稿 日期 ：２ １ － ６ １ ０ １０ — ８
分 析 Ｐ ｇＲ ｎ ａｅ ａｋ算法基本思想 、特点及局 限性 ，并 对 Ｐ ｇＲ ｎ ａｅ ａｋ
算法 的一些相关研究进行介绍 。
Ｐ ｇＲ ｎ 法 的基本 思想是 ：如果一个 页面被许 多其 他 ａｅ ａｋ算
结点 Ｐ指 向结点 ｑ的链接 ，结点 Ｐ的 出度 是指从 页面 Ｐ出发 的超链 接的 总数 ，而人度是 指从所有 指 向页面 Ｐ的超链 接总 数。
弊者 ，使 得 以词频 统计为核 心 的向量模 型 的相关度 测算 开始
失 效 ；网页之 间存 在独有 的超链 结构没 有被 利用 ，导 致查 询 的精确度不 高。 目前基于链 接结构 分析 的搜 索引擎 网页 排序算 法主要有 两类 ：Ｂｉ ｒ ｎ等人提出的 Ｐ ｇＲ ｎ ａｅ ａｋ算法 １ 和 Ｋｅｎ ｅｇ ２ ］ ｌ ｂｒ 等人提出 ｉ
网页排 序是指按 照一定 的算法 对搜 索引擎返 回的结 果 网 页进 行排序 ，尽可能地将 用户想要 的 网页排在前 面 ，以便 用
有 被多次引用 ，但被一 个重要 页面引用 ，那么这 个页 面很可 能也是 重要 页面 ；一个 页面 的重 要性被均 分并传 递到 它所 引
用 的页 面 。Ｐ ｇＲ ｎ 把 Ｗｅ 看 成 是 一个 巨 大 的 有 向图 Ｇ ｆ， ａｅ ａ ｋ ｂ ＝ Ｖ
的 ＨＴ ＩＳ算法 １ ａ ｅ ａ ｋ算法 因为是著名搜索 引擎 Ｇ ｏｌ ３ １ ｇＲ ｎ 。Ｐ ｏｇ ｅ的 核 心算法而备 受瞩 目，这种算法 通过对 整个互联 网结 构 图进 行 迭代运算 ，为搜索 引擎所能爬 行到 的所有 网页都赋 予一个
量 化的价值度 ，并对 网页进行 了相关权 威值 的排 序处 理 ，从 而使相 对重要性高 的网页排 在前面 。在分 析 Ｐ ｇＲ ｎ ａｅ ａｋ及相关 算 法的基础上 ，提 出一 种能有效 提高搜 索结果 质量 的网页排
将进行如下改进 。 ３１ 链 接块 分 析 ．
序算 法 ，该算 法计算 网页类 别 的相 关度 ，分别给 来 自不 同类 别 的网页传递 的权威值赋 予不 同的权重 ，并 根据 网页 中链接
所处信息块的重要程 度赋 予链接传递 的权威值相应的权值。
通 常人 们浏览 网页 的时候会 发现 ，整个 页面被分 割成若
（）链接 的 Ｕ Ｌ一般格式较为规整 ，一般不包含 “ ａａ ４ Ｒ Ｊｖ
主题 的 ，则认 为是相关 网页 ，相应 的评 价值 为 １ ，否则 为 ０ 。 当网页相关性 的评价值 之和大 于 ７时 ，判 定该 网页 为相关 网
页 ，否则为不相关网页 。
４２ 结 果 分 析 ．
Ｓ ｒ ｔ、 “ ａｌｏ ｃ ｐ” ｍ ｉｔ”等特殊 Ｕ Ｌ ｉ Ｒ ，这 里将 该类一般不 出现在相
ＹＡＮＧ ａ ， ｉ ， ｏ ｕ Ｃｈ ｏ ＬＩＪ ｅ ＬＩＨａ ｙ
（． ｃａ ｏ ｅｅｏ ｂｉ ｇｉ ｌ ｒｌ ｉｅｓｙ， ｅ ｅ Ｑｉ ｕｎ ｄ ｏ０ ６ ０ ； １ Ｏ ｅｎＣ ｌ ｇ ｆ ｌ Ｈｅｅ ｒ ｕｔ ａ Ｕｎ ｒ ｔ Ｈ ｂ ｉ ｎ ａ ｇ ａ ６０ ４ Ａ ｃ ｕ ｖ ｉ ｈ ２ Ｈ ｂ ｉ ｃｔ ｎ ｌ ｎ ｅｈ ｉａ Ｃ ｌｇ ｆ ｕｌｉｇＭａｅ ａ Ｈ ｂ ｉ ｉｈ ａ ｇ ａ ６ ０４ ． ｅ ｅ Ｖｏａ ｏ ａ ａ ｄＴ ｃｎｃｌ ｏｌ ｅｏ ｉ ｎ ｔ ｉｌ ｉ ｅ Ｂ ｄ ｒ ｓ， ｅ ｅ Ｑ ｎ ｕｎ ｄ ｏ０ ６ ０ ）
Ａｂ ｔ ａ ｔ Ｔ ｉ ｐ ｐ ｒｐ ｏ ｏ ｅ ｎ ｗ ｌｏ ｔ ｍ ｆ ｂ ｐ ｇ ａ ｋ ｎ ａ ｅ ｎ Ｐ ｇ Ｒａ ｋ Ａｆ ｒｃ ｃ ｌ ｔ ｎ ｏ ｌｓ ｉ ｌ ｉ ｓｒ ｃ ： ｈ ｓ ａ ｅ ｒ ｐ ｓ ｓａ ｅ ａｇ ｒ ｈ ｏ ａ ｅ ｒ ｎ ｉｇ ｂ ｓ ｄ ｏ ａ ｅ ｎ ． ｔ ａ ｕ ａｉ ｆｃａ ｓｓｍｉ ｒ－ ｉ ｗｅ ｅ ｏ ｉ ｔ ，ｗ ｉ ｅ ｄ ｆ ｒ ｎ ａ ｔ ｒ ｏ ｔ ｅ ａ ｔ ｏ ｉ ｈ ｃ ｓ ｄ ｒ ｅ ｒ ｍ ａ ｅ ｅｏ ｇ ｔ ｉ ｅ ｅ ｔｃａ ｓ ｓＷｅ ｇｖ ｉ ｅ ｅ ｔ ｉ ｈ ｙ ｅ ｇ ｖ ｉ ｅ ｅ ｔｆｃ ｏ ｓｔ ｈ ｕ ｈ ｒｔ ｗ ｉｈ ｉ ｉ ｖ ｄ ｆ ｆ ｙ ｉ ｏ ｐ ｇ ｓ ｂ ｌｎ ｏ ｄｆ ｒｎ ｌｓ ｅ ． ｉｅ ｄｆ ｒ ｎ ｇ ｔ ｆ ｆ ｗｅ ｆ ｃｏ ｓ ｔ ｉ ｋ ａ ｃ ｒ ｉ ｇ ｔ ｈ ｍｐ ｒａ ｃ ｆｔ ｅ ｐ ｒ ｗｈ ｒ ｈ ｉ ｋ ｃ ｍｅ ｆ ｍ． ｓ ｌ ｉ ｄ ｃ ｔｓ ｔ ｅ ａ ｇ ｒｔ ｍ ａ ｃ ｅｖ ａ ｔｒ ｏ ｌ ｃ ｏ ｄｎ ｏ ｔ ｅ ｉ ｏ ｔ ｎ ｅ ｏ ａｔ ｎ ｈ ｅｅ ｔｅ ｌ ｏ ｏ Ｒｅ ｕ ｔ ｎ ｉ ａｅ ｈ ｌ ｏ ｈ ｃ ｎ ａ ｈ ｉｅ ｎ ｒ ｉ
页 面引用 ，则 这个 页面很可能是 重要 页而 ；一个 页 面尽管 没
黼 鹚 ２１ ０． １ 与
ｌ
电脑编程技 巧与维护
同一个 网页 中相 关链接传 递 的权 威值要 大 于噪声链 接传递 的 权 威值 。通 过对 大量 网页分析发 现 ，网页 中相 关链 接块 中 的
链接 往往 具有 以下几个 特点 ： （）链接 文字的长度基 本上 有规律 。 １ （）链接 文字与其所在 页面的标题具有相 同的关键词 。 ２ （）链 接文 字一 般 不会 出现 某些 词 ，如 “ ３ 首页 ” “ ， 导 航 ”等 。将 不 出现在相关 链接 中的特殊 词称 为相关链 接停 用
的链接对权威值 的贡献 ，是计算 网页权威值 的一 个关键 因素 ； 另 外 ，网页 中链接 由于所处 的位 置 、 占据 的空间大 小或者 内 容不 同而具有不 同的重要度 ，对权威值传递的影响也不 同。 基 于以上思想 ，提出将 Ｐ ｇＲ ｎ 算法 的权威值计算公 式 ａｅ ａ ｋ
３ 基 于链 接分 块 的 Ｐ ｇＲ ｎ 法 ａｅ ａｋ算
通 过上述对 Ｐ ｇ Ｒ ｎ ａｅ ａ ｋ及其相关算法 的分析 ，大 多数算 法
在进行 页面排序 时 ，基本上 考虑到 了 网页 与主题相 关性对 传
递权威值 的影 响 ，但 却没能 考虑到 网页类别 的划分 可 以更 有 效地计算链 接 的价值和权威 性 。如何 区分 不同类别 的 网页 中
源自文库
准 确 率 的平 均 值 为 ５ ％，Ｂ ａｅ ａｋ则 把 准 确 率 提 高 到 了 ｌ Ｐ ｇＲ ｎ ７ ％。改进后 的网页排序算法 Ｂ ａｅ ａｋ可 以更加准确地判断 １ Ｐ ｇＲ ｎ
的所有链接都不符合 规则 （）和规则 （） ３ ４，则认为该链 接块是
相关 链接块 ；如果链 接块 中的某个链 接与特 点 （）符 合 ，则 ２ 认 为该链 接块是 相关链 接块 。在 对 网页 中的链接块 进行 区分 后 ，然后对链接块 中的链 接赋予一个权值 ｗ来 描述其重要性 ， 假设 链接 ｊ 属于相关链 接块 ，那么 ｗ ０８ ＝ ．， 如果链 接属于噪声链
干信 息块 ，且 同一信 息块包含 内容相似 ，其 中既包含 了相关
链 接块 ，也包 含 了大 量噪声链接 块。相关 链接 块 中包 含 了与 主题 相关 的链 接 ，该 类链接一般 是对 网页主题 信息 的进一 步 说 明或扩充 。噪声链 接块包含 了一般 与正文主题 的无关链 接 ，
２ Ｐ ｇＲ ｎ ａｅ ａ ｋ算 法分析