数据挖掘十大算法翻译——6PageRank

1 总览

PageRank是由Sergey Brin和Larry Page在1998年4月的第七届国际全球广域网会议（WWW7）中提出的。它是一个使用超链接的搜索排序算法。基于这个算法，他们穿在了Google搜素引擎，并且取得了巨大的成功。现在，每个搜索引擎都有自己的基于超链接的排序算法。

PageRank产生一个网页的静态排行，也就是说PageRank离线的计算每个页面，并且不依赖于查询。通过使用大量的链接结构作为单个页面的衡量标准，这个算法利用了Web的民主特性。PageRank的精髓就是通过把从x页面到Y页面的一个链接，作为x页面给y页面的投票。然而，PageRank不仅仅只是单纯的统计票数，或者一个页面收到的链接数。它也分析透出票的页面。如果投出票的页面本身是重要的，那么它会使得它投票的对象也是重要的。这就是在社交网络中的“rank prestige(威望等阶)”的思想。

2 算法

现在我们介绍PageRank公式。首先我们先成熟一些Web页面的额内容。
页面i的入链接(in-link)：从其他页面指向页面i的超链接。通常而言，从同一个站点的链接不被考虑。
页面i的出链接(out-link)：从页面i指向其他页面的超级链接。一般而言，不考虑同一个站点的链接。
下面这些基于rank prestige[86]的思想可以用来驱动PageRank算法:
1. 从一个页面指向另一个页面的超链接是一种暗含的权威的转移。因此，页面i收到的in-link越多，页面i的prestige（威望）就越高
2. 指向页面i的页面也有他们自己的威望分数。拥有较高威望的页面的投票比拥有较少威望的页面的投票更重要。简而言之，被重要的页面指向的页面也是重要的。
根据社交网络中的威望等级，页面i的重要性（这里是i的PageRank分数）是由所有指向i的页面所决定的。因为一个页面可能指向其他的很多页面，它的“威望”应够由它指向的页面来共享。
为了使用公式表达这个思想，我们把Web作为一个有向图G=（V,E）这里的V是顶点，也就是所有页面的集合。E是图的有向边，也就是所有超链接。这里让所有页面的总数设为n（n=|V|）第i个页面的PageRank分数由下面的式子定义。

P(i)=∑(j,i)∈EP(j)Oj

这里的Oj是页面j的out-link的数量。数学上而言，我们有n个含有n个线性方程的未知数。我们可以用一个矩阵来代表所有的等式。设P是PageRank值的n维列限量，有如下表示：
P=（P(1),P(2),…,P(n)）T
设A是我们的图的邻接矩阵

Aij={1/Oi,0,if(i,j)∈Eotherwise

我们把n个等式的系统写作

P=ATP

（3）
这是特征系统的特征值方程，这里的解P是特征值为1的特征向量。由于这是一个循环的定义，我们使用一个迭代的算法来解决它。事实证明，如果条件满足，1
是最大的特征值，并且PageRank向量P是主特征向量；

Power iteration(幂迭代)[30]是一个用来找到P的有名的数学方法。
然而问题在于由于Web图不满足条件，等式（3）是不重复的。事实上等式（3）也可以由Markov chain（马尔科夫链）得到。然后从马尔科夫链中得到的一些理论就可以被使用。在扩张Web图使得它满足条件之后，下面的等式就产生了：

P=(1−d)e+dATP

这里的e是所有1’s的列向量。这样，我们得到了每个页面i的PageRank公式：

P(i)=(1−d)+d∑j=1nAjiP(j)

这是公式等加油在原始的PageRank论文中给出的公式：

P(i)=(1−d)+d∑(j,i)∈EP(j)Oj

参数d被称为damping factor（尼阻因素），它的值介于0和1之间，在论文[10,52]使用的中d=0.85。
可以使用幂迭代的方法来计算PageRank的值，这样会得到特征值为1的特征向量。这个算法非常简单，可以从Fig4 表4中看到。我们可以从任何的指定的PageRank的初始值开始。如果结果变动不多，那么迭代就救赎。在Fig4中，如果1-残余向量的范式小于预定的阈值e那么迭代就结束。
由于在Web搜索中，我们感兴趣的是网页的排名，所以这个算法最终是否收敛我们是不关心的。这样就可以使用更少的迭代。在[10]中，一个拥有322百万，3.22亿链接的数据库，经过了52次迭代就达到了可以接受的效果。

3 PageRank的未来

自从在论文[10,61]中提出了PageRank算法，研究者就可以提出了很多的加强的模型，和替代模型，用于提高他的计算，增加暂时的维度[91]。Liu，Langville和Meyer的书中包括了一些PageRank的升读分析和其他几个基于链接的算法。