7,129
个编辑
更改
跳到导航
跳到搜索
第61行：
第61行： − + − 如图所示，每个节点初始化或者指定一个PageRank值（如<math>PR(A)=0.4</math>），网页A包含两个超链接，分别指向B和C（或者说A投票给B和C），<math>0.4</math>拆分成两份，每份<math>0.2</math>，所以<math> PR(B)=0.2 </math>。A和B同时给C投票，所以<math> PR(C)=0.2+0.2=0.4 </math>。如此，不断地迭代，最后每个节点的值都会收敛，这样就求得了所有节点的PR值。+ 第100行：
第100行： − + 第281行：
第281行： − + − Damping factor被翻译为阻尼系数，公式中记为<math> d </math>，和 PR 初始值一样，d的取值也会影响PageRank算法的效率。在佩奇和布林的论文中，d通常被设置为0.85。+ 第297行：
第297行： − + 第303行：
第303行： − + − + − + 第322行：
第322行： − + − 随机图（stochastic graph）是一个有向带权图，边的权重被normalized，使得每个节点的outedges的权重加起来为1。则每个边的权重即为1/L(p_j)，图1的随机图如下所示：+ − +
无编辑摘要
===简化的PageRank的例子===
===简化的PageRank的例子===
[[File:Simple page abc.png|400x400px|right]]
[[File:Simple page abc.png|400x400px|right|thumb|图2]]
如图2所示，每个节点初始化或者指定一个PageRank值（如<math>PR(A)=0.4</math>），网页A包含两个超链接，分别指向B和C（或者说A投票给B和C），<math>0.4</math>拆分成两份，每份<math>0.2</math>，所以<math> PR(B)=0.2 </math>。A和B同时给C投票，所以<math> PR(C)=0.2+0.2=0.4 </math>。如此，不断地迭代，最后每个节点的值都会收敛，这样就求得了所有节点的PR值。
每个页面将其当前的PageRank值平均分配到本页面所有出链上，一个页面将所有入链的PR值累加起来就构成了该页面新的PR值。如此迭代下去，最后得到一个稳定值。用数学公式表达，如下：
每个页面将其当前的PageRank值平均分配到本页面所有出链上，一个页面将所有入链的PR值累加起来就构成了该页面新的PR值。如此迭代下去，最后得到一个稳定值。用数学公式表达，如下：
以一个很简单的例子（A < --> B）来看PageRank是怎么收敛的。
以一个很简单的例子（A < --> B）来看PageRank是怎么收敛的。
[[File:A b.png|300x300px|right]]
[[File:A b.png|300x300px|right|thumb|实例]]
===阻尼系数===
===阻尼系数 Damping factor===
阻尼系数，公式中记为<math> d </math>，和 PR 初始值一样，d的取值也会影响PageRank算法的效率。在佩奇和布林的论文中，<math> d </math>通常被设置为0.85。
[[File:Pagerank xishu.png|400x400px]]
[[File:Pagerank xishu.png|400x400px|center]]
[[File:Page g h.png|400x400px]]
[[File:Page g h.png|400x400px|center]]
=====初始化节点PR值=====
=====初始化节点PR值=====
如果没有给节点指定PR初始值，那么每个节点的PR初始化为<math> 1/N </math>(<math> N </math>为节点数目)，以图1为例，节点的PR初始值为<math>1/11</math>：
如果没有给节点指定PR初始值，那么每个节点的PR初始化为<math> 1/N </math>(<math> N </math>为节点数目)，下图为例，节点的PR初始值为<math>1/11</math>：
[[File:Page g h.png|400x400px]]
[[File:Page g h.png|400x400px|center]]
</syntaxhighlight>
</syntaxhighlight>
=====创建随机图(Stochastic graph)=====
=====创建随机图 Stochastic graph=====
随机图是一个有向带权图，边的权重被归一化，使得每个节点的outedges的权重加起来为1。则每个边的权重即为1/L(p_j)，图1的随机图如下所示：
[[File:Page node xishu.png|400x400px]]
[[File:Page node xishu.png|400x400px|center]]