32丨PageRank（上）：搞懂Google的PageRank算法
该思维导图由 AI 生成，仅供参考
PageRank 的简化模型
荧光笔
直线
曲线- 深入了解
- 翻译
- 解释
- 总结
PageRank算法是Google搜索引擎的重要技术之一，旨在解决早期搜索引擎返回结果质量不高和易被人钻空子的问题。该算法通过计算网页的影响力来筛选出优质网页，使搜索结果更符合用户需求。文章介绍了PageRank的简化模型和随机浏览模型，以及在社交影响力评估中的应用。通过模拟计算和数学定理，阐述了PageRank算法的收敛性和稳定性。此外，文章还探讨了PageRank在社交网络、微博影响力评估和公司经营能力评估等领域的应用。总之，PageRank算法的思想为我们提供了很多启发，不仅在搜索引擎领域有重要意义，也在社交网络和商业领域有着广泛的应用。
《数据分析实战 45 讲》，新⼈⾸单¥59
全部留言(21)
- 最新
- 精选
滨滨pagerank算法就是通过你的邻居的影响力来评判你的影响力，当然然无法通过邻居来访问你，并不代表你没有影响力，因为可以直接访问你，所以引入阻尼因子的概念。现实生活中，顾客比较多的店铺质量比较好，但是要看看顾客是不是托。编辑回复: 这个应用例子也很有趣，让顾客来投票。
2019-04-14225
third复习感悟： 1.PageRank算法，有点像 海纳百川有容乃大（网页影响力=所有入链集合的页面的加权影响力之和） 像我汇聚的东西，越多，我就越厉害。 2.随机访问模型 有点像下雨。 海洋除了有河流流经，还有雨水，但是下雨是随机的（网页影响力=阻尼影响力+所有入链集合页面的加权影响力之和）编辑回复: 这个比喻不错~ 河流之间是有入链和出链的，但是也可能遇到等级泄露和等级沉没的问题，下雨就类似是随机浏览模型，给每个节点提供补充。
2019-02-2617- third作业 1.原理 1）基础：网页影响力=所有入链集合的页面的加权影响力之和 2）拉里佩奇加入随机访问模型，即有概率用户通过输入网址访问 网页影响力=阻尼影响力+所有入链集合页面的加权影响力之和 2.应用场景： 评估某个新行业怎么样，通过计算涌入这个行业的人的智力和数量。 如果这个行业，正在有大量的聪明人涌入，说明这是一个正在上升的行业。 作业及问题 转移矩阵 第一列是A的出链的概率 A0B1/3C1/3D1/3 第二列是B的的出链的概率 A1/2B0C0D1/2 第三列是C的出链概率 A1B0C0D0 第四列是D的出链概率 A0B1/2C1/2D0 等级泄露的转移矩阵应该是 M=[0 0 1/2 0] [1 0 0 0] [0 0 1/2 0] [0 1 0 0] 还是 M=[0 0 0 1/2] [1 0 0 0 ] [0 0 0 1/2] [0 1 0 0 ] 假设概率相同，都为1/4 进行第一次转移之后，会发现，后面的 W1=[1/8] [1/4] [1/8] [1/4] 总和已经小于1了，在不断转移的过程中，会使得所有PR为0 等级沉没的转移矩阵怎么写？ M=[0 0 1 0] [1 0 0 0] [0 0 0 0] [0 1 0 0]
编辑回复: 应用场景这个举例很有趣，回答你的问题： 对应文章中的例子，等级泄露的转移矩阵： M=[0 0 0 1/2] [1 0 0 0 ] [0 0 0 1/2] [0 1 0 0 ] 等级沉没的转移矩阵 M=[0 0 1/2 1] [1 0 0 0 ] [0 0 0 0] [0 1 1/2 0 ]
2019-02-259 
李沛欣有人的地方，就有入世和出世 有网络和地方，就有入链和出链 入世的人，链接的大牛越多，越有影响力， 对网站而言，链接出去的网页越多，说明网站影响力越大，但是越多链接进来你这里的网页，也直接影响到网站的价值。 出链太多，如同出世一样，耗散内力，排名等级越来越低，最终江湖再见。 入链太多，就可能成为流量黑洞，如同涉世太深的人一样走火入魔。 谷歌创始人拉里佩奇则力图破解等级泄露和等级沉没困境，创造了随机浏览模型。编辑回复: 这个总结和分析很不错。当遇到了一些问题，有时候不是直接解决它，而是跳脱出来提出了“随机浏览模型”反而把之前的等级泄露和等级沉没问题解决了。
2019-03-016
Ling其实提出阻尼系数，还是为了解决某些网站明明存在大量出链（入链），但是影响力却非常大的情形。比如说 www.hao123.com 一样的导航网页，这种网页就完全是导航页，存在极其多出链；还有各种搜索引擎，比如 www.baidu.com、www.google.com 这种网站，基本不存在出链，但是入链可能非常多。这两种网站的影响力其实非常大。作者回复: 更符合人们实际浏览网页的场景
2019-11-214
S.MonaPageRank和机器学习和数据分析的关系是怎样的？作者回复: PageRank是基于图论的影响力模型，也是机器学习，数据分析的10大算法之一。机器学习和数据分析 很多时候概念有重叠，两者都是用数据解决问题，使用到很多模型，比如PageRank
2019-10-163
白夜1.把影响力转化为每日使用时间考虑。 在感兴趣的人或事身上投入了相对多的时间。对其相关的人事物也会投入一定的时间。 那个人或事，被关注的越多，它的影响力/受众也就越大。而每个人的时间有限，一般来说最多与150人保持联系，相当于最多有150个出链。 其中，一部分人，没人关注，只有出链没有入链，他们就需要社会最低限度的关照，这个就是社会福利（阻尼）。 2.矩阵以前学了一直不知道在哪里可以应用，今天学了用处感觉还蛮爽的。编辑回复: 矩阵在推导的过程中还是有用的，现在很多函数都封装好了，可以直接使用，所以矩阵接触的就少了。自己能跑通了确实会比较爽。
2019-02-253
王彬成一、学完今天的内容，你不妨说说 PageRank 的算法原理？ 1、PageRank 的算法原理核心思想： -如果一个网页被很多其他网页链接到的话说明这个网页比较重要，也就是PageRank值会相对较高； -如果一个PageRank值很高的网页链接到一个其他的网页，那么被链接到的网页的PageRank值会相应地因此而提高。 2、公式 PR(u)=PR(v1)/N1+PR(v2)/N2+…… 其中PR(u), PR(v1) 为页面影响力。N1, N2是v1, v2页面对应的出链总数。 3、算法过程 1）给每个页面分配相同的PR值，比如PR(u)=PR(v1)=PR(v2)=……=1 2）按照每个页面的PR影响力计算公式，给每个页面的PR值重新计算一遍 3）重复步骤2，迭代结束的收敛条件：比如上次迭代结果与本次迭代结果小于某个误差，我们结束程序运行；或者比如还可以设置最大循环次数。 二、你还能说一些 PageRank 都有哪些应用场景吗？ 引用链接：https://36kr.com/p/214680.html 1、研究某段时间最重要的文学作品 2、研究与遗传有关的肿瘤基因 3、图书馆图书推荐编辑回复: 最有影响力的文学作品，肿瘤基因，图书推荐 这几个场景不错。
2019-02-253
梁智行用网络科学来理解算法就是，网页的影响力（中心度），体现在：很多人说这网页好（度中心度），说这网页好的网页也要好（特征向量中心度），就好像一个人牛不牛逼，首先他自己要很牛逼，然后很多人说他牛逼，最后说他很牛逼的人也要很牛逼。作者回复: 同学理解的很透彻！
2020-05-052
FeiFeiPageRank原理： 通过聚合入链和出链的权重，来判断自身的排序。 因为可能没有入链或者外链，因此加入阻尼因子d，来将这种情况规避。作者回复: 对 阻尼因子是为了避免Rank Leak, Rank Sink的情况
2019-08-272
