更改

:<math> M_{ij} = \ell(p_i,p_j) = \begin{Bmatrix} 1/L(p_j) , 如果j链接到i。 L(p_j)是指从p_j链出去得网页数目 \\ 0 ， 其他

:<math> M_{ij} = \ell(p_i,p_j) = \begin{Bmatrix} 1/L(p_j) , 如果j链接到i。 \\ 0 ， 其他

\end{Bmatrix}</math>

\end{Bmatrix}</math>

这样矩阵每一行乘以R，就得到了新的PR值，比如第二行（图1的节点B）

这样矩阵每一行乘以R，就得到了新的PR值，比如第二行（图1的节点B）

[[File:Fomulate3.png|400x400px]]

:<math> R = { 1-d }/N + dMR</math>

以节点G为例，G给B和E投票，所以B得到1/2。

以节点G为例，G给B和E投票，所以B得到1/2。

矩阵M每一列加起来都是1（值得注意的是，对于没有出链的节点，列加起来等于0，比如图1的节点A），即:

矩阵M每一列加起来都是1（值得注意的是，对于没有出链的节点，列加起来等于0，比如图1的节点A），即:

<math>\sum^{N}_{i=1}\imath (p_{i}, p_{j}) = 1</math>

:<math>\sum^{N}_{i=1}\imath (p_{i}, p_{j}) = 1</math>

事实上，M是一个转移矩阵transition matrix（也叫概率矩阵probability matrix，马尔可夫矩阵Markov matrix）。因此，PageRank是eigenvector centrality的一个变体。

事实上，M是一个转移矩阵transition matrix（也叫概率矩阵probability matrix，马尔可夫矩阵Markov matrix）。因此，PageRank是eigenvector centrality的一个变体。