Google搜索引擎的奥秘

核心提示： ri（行和） 是页面 i 的导入链接数目.2）、转移概率矩阵 假设我们在上网的时候浏览页面并选择下一个页面, 这个过程与过去浏览过哪些页面无关, 而仅依赖于当前所在的页面, 那么这一选择过程可以认为是一个有限状态、离散时间的随机过程, 其状态转移规律可用Markov链描述. 定义转移概率矩阵3）、85%与

• 假设我们在上网的时候浏览页面并选择下一个页面, 这个过程与过去浏览过哪些页面无关, 而仅依赖于当前所在的页面, 那么这一选择过程可以认为是一个有限状态、离散时间的随机过程, 其状态转移规律可用Markov链描述.
• 定义转移概率矩阵

• 但还要考虑到用户虽然在许多场合都顺着当前页面中的链接前进, 但时常又会跳跃到完全无关的页面.
• 经过统计, Google采用个15%来表示[时常], 即用户在85%的情况下沿着链接前进, 但有15%的情况下突然跳跃到无关的页面中去.
• 从而修正状态转移矩阵

• 根据Markov链的基本性质,以上A' 是一个正则Markov链,  存在平稳分布x= (x₁,x₂,x₃, ...,x_m),满足

• x表示在极限状态(转移次数趋于无限)下各网页被访问的概率分布.
• x定义为网页的PageRank向量,　x_i表示第 i 个网页的PageRank值. 显然概率越大,  其重要性越高是合理的.
• 分量 x 应满足方程

• 从另一角度看,  网页　j 将它的PageRank值x_j 分成c_j份,  分别“投票”给它链出的网页.
• 网页k 的PageRank值 x_k就是所有页面投票给网页k的最终值.