PageRank - Википедия - PageRank

Математикалық PageRanks қарапайым желі үшін пайызбен көрсетілген. (Google а логарифмдік шкала.) C парағында жоғары PageRank бар [1] Е-ге қарағанда, С-ға сілтемелер аз болса да; C-ге бір сілтеме маңызды беттен алынған, сондықтан ол өте маңызды. Егер кездейсоқ парақтан басталатын веб-серферлер қазіргі кезде кіріп жатқан парақтан кездейсоқ сілтемені таңдау мүмкіндігінің 85% және бүкіл вебтен кездейсоқ таңдалған параққа секірудің 15% ықтималдығы болса, олар E бетіне жетеді. 8,1% уақыт. (Ерікті параққа секірудің 15% ықтималдығы демпфингтің 85% коэффициентіне сәйкес келеді.) Демпингсіз барлық веб-серферлер ақырында A, B немесе C парақтарына түсіп, қалған беттерде PageRank нөлге тең болады. Демпфинг болған жағдайда, А парағы өзінің шығыс сілтемелері болмаса да, Интернеттегі барлық парақтарға тиімді сілтеме жасайды.

PageRank (PR) болып табылады алгоритм қолданған Google Search дәрежелеу веб-беттер оларда іздеу жүйесі нәтижелер. PageRank атымен аталды Ларри Пейдж,^[1] Google негізін қалаушылардың бірі. PageRank - бұл веб-парақтардың маңыздылығын өлшеу әдісі. Google сәйкес:

PageRank веб-сайттың қаншалықты маңызды екенін шамамен бағалауды анықтау үшін параққа сілтемелер саны мен сапасын санау арқылы жұмыс істейді. Негізгі веб-сайттар басқа веб-сайттардан көбірек сілтемелер алуы мүмкін деген болжам.^[2]

Қазіргі уақытта PageRank - бұл іздеу нәтижелеріне тапсырыс беру үшін Google қолданатын жалғыз алгоритм емес, бірақ бұл компания қолданған алғашқы алгоритм және ол ең танымал.^[3][4] 2019 жылдың 24 қыркүйегіндегі жағдай бойынша, PageRank пен барлық онымен байланысты патенттердің мерзімі өткен.^[5]

Сипаттама

PageRank-тің негізгі принципін бейнелейтін мультфильм. Әрбір тұлғаның өлшемі оған бағытталған басқа беттердің жалпы мөлшеріне пропорционалды.

PageRank - бұл сілтемені талдау алгоритм және ол санды тағайындайды салмақ өлшеу а-ның әр элементіне гипершилтеме орнатылды сияқты құжаттар Дүниежүзілік өрмек, жиынтық шегінде оның салыстырмалы маңыздылығын «өлшеу» мақсатында. The алгоритм ұйымдардың кез-келген жиынтығына қолданылуы мүмкін өзара дәйексөздер мен сілтемелер. Ол кез-келген берілген элементке беретін сандық салмақ E деп аталады PageRank of E және деп белгіленеді ${ displaystyle PR (E).}$

PageRank математикалық алгоритмге негізделген веб-сайт, бүкіл торлы торларда және түйіндер түрінде жасалған сілтемелер сияқты орталық хабтарды ескере отырып, шеттер ретінде cnn.com немесе mayoclinic.org. Дәрежелік мән белгілі бір парақтың маңыздылығын көрсетеді. Параққа сілтеме қолдау дауысы болып саналады. Беттің PageRank деңгейі анықталған рекурсивті және оған сілтеме жасайтын барлық беттердің санына және PageRank көрсеткішіне байланысты («кіріс сілтемелері PageRank деңгейі жоғары көптеген парақтармен байланысқан парақтың өзі жоғары дәрежеге ие болады.

PageRank-ке қатысты көптеген академиялық мақалалар Пейдж бен Бриннің түпнұсқалық мақаласынан бастап жарияланды.^[6] Іс жүзінде, PageRank тұжырымдамасы манипуляцияға осал болуы мүмкін. Жалған әсер еткен PageRank рейтингтерін анықтау бойынша зерттеулер жүргізілді. Мақсат - жалған ықпал ететін PageRank бар құжаттар арасындағы сілтемелерді елемеудің тиімді құралын табу.^[7]

Веб-парақтар үшін сілтемелерге негізделген рейтингтің басқа алгоритмдеріне мыналар жатады HITS алгоритмі ойлап тапқан Джон Клейнберг (қолданған Teoma және қазір Ask.com ), IBM CLEVER жобасы, TrustRank алгоритмі және Колибр алгоритм.^[8]

Тарих

The өзіндік құндылық Бұл мәселені 1976 жылы жұмыс істеген Габриэль Пински мен Фрэнсис Нарин ұсынды Scientometrics рейтингтік ғылыми журналдар,^[9] 1977 ж Томас Саати оның тұжырымдамасында Аналитикалық иерархия процесі салмақты балама таңдау,^[10] және 1995 жылы Брэдли Лав пен Стивен Сломан а когнитивті модель тұжырымдамалар үшін орталықтандыру алгоритмі.^[11][12]

«Атты іздеу жүйесіRankDex «әзірлеген IDD ақпараттық қызметтерінен Робин Ли 1996 жылы сайтты бағалау және парақтарды бағалау стратегиясын жасады.^[13] Ли өзінің іздеу механизмін «сілтемелерді талдау» деп атады, ол веб-сайттың қаншалықты басқа сайттармен байланыстырылғандығына байланысты танымалдылығын бағалауды қарастырды.^[14] RankDex, парақтарды бағалау және сайттарды бағалау алгоритмдері бар алғашқы іздеу жүйесі 1996 жылы іске қосылды.^[15] Ли технологияны RankDex-те патенттеді, оның патенті 1997 жылы берілген және 1999 жылы берілген.^[16] Ол кейінірек оны құрған кезде қолданды Байду Қытайда 2000 ж.^[17][18] Google негізін қалаушы Ларри Пейдж Лидің жұмысын оның кейбір АҚШ-тың PageRank патенттеріндегі дәйексөз ретінде сілтеме жасады.^[19][15][20]

Ларри Пейдж және Сергей Брин PageRank әзірленген Стэнфорд университеті 1996 жылы іздеу жүйесінің жаңа түрі туралы ғылыми жоба шеңберінде. Сұхбат Эктор Гарсия-Молина: Стэнфорд информатика профессоры және Сергейдің кеңесшісі ^[21] парақ дәрежесі алгоритмін құруға фон ұсынады.^[22] Сергей Бриннің ойында ғаламтордағы ақпаратты «сілтеме танымалдығы» бойынша иерархия бойынша тапсырыс беруге болады: парақ жоғары сатыға көтеріледі, өйткені оған сілтемелер көп.^[23] Жүйе Скотт Хасан мен Алан Стерембергтің көмегімен әзірленді, олардың екеуі де Пейдж және Брин Google-дың дамуы үшін маңызды деп келтірді.^[6] Раджеев Мотвани және Терри Виноград PageRank пен жобаның алғашқы прототипін сипаттайтын жоба туралы алғашқы мақаланы Пейдж және Бринмен бірлесіп жазды. Google іздеу қозғалтқыш, 1998 жылы жарияланған.^[6] Көп ұзамай Пейдж және Брин негізін қалады Google Inc., Google іздеу жүйесінің артында тұрған компания. Google іздеу нәтижелерінің рейтингісін анықтайтын көптеген факторлардың бірі болса да, PageRank Google-дің барлық веб-іздеу құралдарының негізін қалайды.^[24]

«PageRank» атауы әзірлеуші ​​Ларри Пейдждің атында, сондай-ақ а веб парақ.^[25] Бұл сөз Google-дің сауда белгісі және PageRank процесі болған патенттелген (АҚШ патенті 6 285 999). Алайда, патент тағайындалған Стэнфорд университеті және Google-ге емес. Google компаниясының Стэнфорд университетінің патентіне қатысты ерекше лицензиялық құқықтары бар. Университет патентті пайдаланғаны үшін Google-дің 1,8 миллион акциясын алды; ол акцияларын 2005 жылы 336 миллион долларға сатты.^[26][27]

PageRank әсер етті дәйексөз талдау, ерте дамыған Евгений Гарфилд 1950 жылдары Пенсильвания университетінде және Гипер іздеу, әзірлеген Массимо Марчиори кезінде Падуа университеті. Сол жылы PageRank енгізілді (1998), Джон Клейнберг өзінің жұмысын жариялады ХИТ. Google негізін қалаушылар өздерінің бастапқы құжаттарында Гарфилд, Марчиори және Клейнберг туралы айтады.^[6][28]

Алгоритм

PageRank алгоритмі а ықтималдықтың таралуы сілтемелерді кездейсоқ басқан адамның кез-келген нақты параққа келу ықтималдығын білдіру үшін қолданылады. PageRank кез-келген көлемдегі құжаттар жиынтығына есептелуі мүмкін. Есептеу процесінің басында жинақтағы барлық құжаттар арасында тарату біркелкі бөлінеді деп бірнеше ғылыми еңбектерде болжанған. PageRank есептеулері жиынтық арқылы «итерация» деп аталатын бірнеше өтуді талап етеді, бұл шамамен PageRank мәндерін теориялық шындық мәнін дәлірек көрсету үшін түзету.

Ықтималдық 0 мен 1 арасындағы сандық мән түрінде өрнектеледі. 0,5 ықтималдығы бірдеңенің орын алуының «50% мүмкіндігі» түрінде көрінеді. Демек, PageRank-і 0,5 болатын құжат кездейсоқ сілтемені басқан адамның аталған құжатқа бағытталуының 50% мүмкіндігі бар дегенді білдіреді.

Жеңілдетілген алгоритм

Төрт веб-парақтан тұратын кішігірім ғаламды қарастырайық: A, B, C, және Д.. Парақтың өзіне сілтемелері еленбейді. Бір беттен екінші параққа бірнеше шығыс сілтемелер бір сілтеме ретінде қарастырылады. PageRank барлық парақтар үшін бірдей мәнге дейін инициализацияланған. PageRank бастапқы түрінде барлық беттердегі PageRank қосындысы сол кездегі вебтегі парақтардың жалпы санын құрады, сондықтан бұл мысалдағы әрбір парақтың бастапқы мәні 1-ге тең болады. Алайда, PageRank-тың кейінгі нұсқалары және осы бөлімнің қалған бөлігі, a ықтималдықтың таралуы 0 мен 1. Демек, осы мысалдағы әрбір парақтың бастапқы мәні 0,25 құрайды.

Берілген беттен келесі итерация кезінде шығыс сілтемелерінің мақсаттарына жіберілген PageRank барлық шығатын сілтемелер арасында тең бөлінеді.

Егер жүйеде тек сілтемелер парақтардан болса B, C, және Д. дейін A, әрбір сілтеме 0,25 PageRank-ке жібереді A келесі қайталану кезінде барлығы 0,75 құрайды.

${ displaystyle PR (A) = PR (B) + PR (C) + PR (D). ,}$

Оның орнына сол парақты алайық B парақтарға сілтеме болды C және A, бет C параққа сілтеме болды A, және бет Д. барлық үш параққа сілтемелер болды. Осылайша, бірінші қайталану кезінде бет B оның бар мәнінің жартысын немесе 0,125-ті параққа көшіреді A екінші жартысы немесе 0,125, параққа C. Бет C бар мәнін, яғни 0,25-ті өзі сілтеме жасайтын жалғыз бетке ауыстырады, A. Бастап Д. үш шығыс сілтемесі болса, ол оның қолданыстағы мәнінің үштен бірін немесе шамамен 0,083-ге ауыстырады A. Осы қайталау аяқталғаннан кейін, бет A PageRank шамамен 0,458 болады.

${ displaystyle PR (A) = { frac {PR (B)} {2}} + { frac {PR (C)} {1}} + { frac {PR (D)} {3}}. ,}$

Басқаша айтқанда, шығыс сілтеме арқылы берілген PageRank құжаттың меншікті PageRank ұпайына шығыс сілтемелер санына бөлінгенге тең. L ().

${ displaystyle PR (A) = { frac {PR (B)} {L (B)}} + { frac {PR (C)} {L (C)}} + { frac {PR (D) } {L (D)}}. ,}$

Жалпы жағдайда кез келген бетке арналған PageRank мәні сен келесі түрде көрсетілуі мүмкін:

${ displaystyle PR (u) = sum _ {v in B_ {u}} { frac {PR (v)} {L (v)}}}$,

яғни бетке арналған PageRank мәні сен әр бет үшін PageRank мәндеріне тәуелді v жиынтықта бар B_сен (параққа сілтеме жасайтын барлық беттерді қамтитын жиынтық сен), санға бөлінеді L(v) сілтеме v.

Демпфер коэффициенті

PageRank теориясы сілтемелерді кездейсоқ басқан қиялдағы серфер ақыры басуды тоқтатады деп санайды. Адамның кез-келген қадамында ықтималдығы демпфер факторы болып табылады г.. Әр түрлі зерттеулер әр түрлі демпферлік факторларды тексерді, бірақ әдетте демпфер коэффициенті 0,85 шамасында болады деп болжануда.^[6]

Демпфер коэффициенті 1-ден алынады (алгоритмнің кейбір вариацияларында нәтиже құжаттар санына бөлінеді (N) содан кейін бұл термин демпферлік коэффициенттің көбейтіндісіне және кіретін PageRank ұпайларының қосындысына қосылады. Бұл,

${ displaystyle PR (A) = {1-d over N} + d сол ({ frac {PR (B)} {L (B)}} + { frac {PR (C)} {L ( C)}} + { frac {PR (D)} {L (D)}} + , cdots right).}$

Сонымен, кез-келген парақтың PageRank-ті көбіне басқа беттердің PageRank-тарынан алады. Демпфер коэффициенті алынған мәнді төмен қарай реттейді. Алайда түпнұсқа қағазда келесі формула келтірілген, бұл біраз шатасуларға әкелді:

${ displaystyle PR (A) = 1-d + d сол ({ frac {PR (B)} {L (B)}} + { frac {PR (C)} {L (C)}} + { frac {PR (D)} {L (D)}} + , cdots right).}$

Олардың арасындағы айырмашылық мынада: бірінші формуладағы PageRank мәндері бірге қосылады, ал екінші формулада әрбір PageRank көбейтіледі N және қосынды болады N. Пейдж бен Бриннің мақаласында «барлық PageRanks қосындысы бір» деген мәлімдеме^[6] және басқа Google қызметкерлерінің талаптары^[29] жоғарыдағы формуланың бірінші нұсқасын қолдайды.

Пейдж және Брин екі формуланы өздерінің ең танымал «Анатомиясы гипермәтіндік веб-іздеу жүйесінің анатомиясы» деген мақаласында шатастырды, олар қате түрде соңғы формула веб-парақтарда ықтималдылықтың таралуын қалыптастырды деп мәлімдеді.^[6]

Google WebR-ді тексерген сайын және оның индексін қайта құрған сайын PageRank ұпайларын қайта есептейді. Google өз коллекциясындағы құжаттар санын көбейткен кезде, барлық құжаттар үшін PageRank-тің бастапқы жақындауы азаяды.

Формула а моделін қолданады кездейсоқ серфер ол бірнеше рет басқаннан кейін мақсатты сайтқа жетеді, содан кейін кездейсоқ параққа ауысады. Парақтың PageRank мәні кездейсоқ серфердің сілтемені басу арқылы сол бетке түсу мүмкіндігін көрсетеді. Мұны а деп түсінуге болады Марков тізбегі онда күйлер парақтар, ал өтулер парақтар арасындағы сілтемелер болып табылады - олардың барлығы бірдей ықтимал.

Егер парақтың басқа парақтарға сілтемелері болмаса, ол раковинаға айналады, сондықтан кездейсоқ серфинг процесін тоқтатады. Егер кездейсоқ серфер раковина бетіне келсе, ол басқасын таңдайды URL мекен-жайы кездейсоқ және серфингті қайта жалғастырады.

PageRank-ті есептеу кезінде шығыс сілтемелері жоқ беттер жинақтағы барлық басқа парақтармен байланыстырылады деп есептеледі. Сондықтан олардың PageRank ұпайлары барлық басқа парақтарда біркелкі бөлінеді. Басқаша айтқанда, суға батпайтын парақтармен әділеттілік үшін бұл кездейсоқ ауысулар Интернеттегі барлық түйіндерге қосылады. Бұл қалдық ықтималдығы, г., әдетте, орташа серфер өзінің браузерінің бетбелгі мүмкіндігін қолданатын жиіліктен 0,85-ке теңестіріледі. Сонымен, теңдеу келесідей:

${ displaystyle PR (p_ {i}) = { frac {1-d} {N}} + d sum _ {p_ {j} in M ​​(p_ {i})} {{frac {PR (p_) {j})} {L (p_ {j})}}}$

қайда ${ displaystyle p_ {1}, p_ {2}, ..., p_ {N}}$ қарастырылып жатқан беттер, ${ displaystyle M (p_ {i})}$ сілтеме жасайтын беттер жиынтығы ${ displaystyle p_ {i}}$, ${ displaystyle L (p_ {j})}$ - бұл беттегі шығыс сілтемелерінің саны ${ displaystyle p_ {j}}$, және ${ displaystyle N}$ парақтардың жалпы саны.

PageRank мәндері - бұл басым құқықтың жазбалары меншікті вектор өзгертілген матрица әр баған біреуіне дейін қосылатын етіп қайта қалпына келтірілді. Бұл PageRank-ті ерекше талғампаздыққа айналдырады: меншікті вектор

${ displaystyle mathbf {R} = { begin {bmatrix} PR (p_ {1}) PR (p_ {2}) vdots PR (p_ {N}) end {bmatrix}} }$

қайда R теңдеудің шешімі болып табылады

${ displaystyle mathbf {R} = { begin {bmatrix} {(1-d) / N} {(1-d) / N} vdots {(1-d) / N} end {bmatrix}} + d { begin {bmatrix} ell (p_ {1}, p_ {1}) & ell (p_ {1}, p_ {2}) & cdots & ell (p_ { 1}, p_ {N}) ell (p_ {2}, p_ {1}) & ddots && vdots vdots && ell (p_ {i}, p_ {j}) & ell (p_ {N}, p_ {1}) & cdots && ell (p_ {N}, p_ {N}) end {bmatrix}} mathbf {R}}$

мұнда іргелес функция ${ displaystyle ell (p_ {i}, p_ {j})}$ j парағынан i бетке шығатын сілтемелер саны мен j парағының шығыс сілтемелерінің жалпы санына қатынасы. Көршілес функция 0 болса, егер парақ болса ${ displaystyle p_ {j}}$ сілтеме жасамайды ${ displaystyle p_ {i}}$және әрқайсысы үшін осылай қалыпқа келтірілді j

${ displaystyle sum _ {i = 1} ^ {N} ell (p_ {i}, p_ {j}) = 1}$,

яғни әр бағанның элементтері 1-ге дейін қосылады, сондықтан матрица а стохастикалық матрица (толығырақ ақпаратты мына жерден қараңыз есептеу төменде көрсетілген). Осылайша, бұл өзіндік векторлық орталық әдетте қолданылатын өлшем желілік талдау.

Үлкен болғандықтан жеке бас өзгертілген іргелес матрицаның,^[30] PageRank меншікті векторының мәндерін жоғары дәлдік шегінде бірнеше қайталанулардың ішінде ғана жуықтауға болады.

Google құрылтайшылары өздерінің түпнұсқа қағаздарында,^[28] 322 миллион сілтемелерден тұратын желінің PageRank алгоритмі (шеттері мен шеттері) 52 қайталану кезінде төзімді шектерге жақындағанын хабарлады. Желідегі конвергенция жоғарыда көрсетілген көлемнің жартысына жуығы шамамен 45 қайталанды. Осы мәліметтер арқылы олар алгоритмді өте жақсы масштабтауға болады және өте үлкен желілер үшін масштабтау коэффициенті шамамен сызықтық болады деген қорытындыға келді. ${ displaystyle log n}$, мұндағы n - желінің өлшемі.

Нәтижесінде Марков теориясы, беттің PageRank деңгейі дегеніміз - бұл көп басқаннан кейін сол бетке келу ықтималдығы. Бұл тең болады ${ displaystyle t ^ {- 1}}$ қайда ${ displaystyle t}$ болып табылады күту парақтан өзіне қайта оралу үшін қажетті басу санының (немесе кездейсоқ секірулердің) саны.

PageRank-тің басты кемшілігі оның ескі беттерді қолдайтындығында. Жаңа бетте, тіпті өте жақсы парақта, егер ол бар сайттың бөлігі болмаса (мысалы, тығыз байланыстырылған беттер жиынтығы болатын сайт) көп сілтемелер болмайды. Википедия ).

PageRank-ті есептеуді жеделдету үшін бірнеше стратегиялар ұсынылды.^[31]

Іздеу нәтижелерінің рейтингтерін жақсарту және жарнамалық сілтемелерді монетизациялау бойынша бірлескен күш-жігермен PageRank-ті басқарудың әртүрлі стратегиялары қолданылды. Бұл стратегиялар PageRank тұжырымдамасының сенімділігіне қатты әсер етті,^{[дәйексөз қажет ]} Веб-қауымдастық қандай құжаттарды шынымен жоғары бағалайтынын анықтауға бағытталған.

2007 жылдың желтоқсанынан бастап, ол басталды белсенді ақылы мәтіндік сілтемелерді сататын сайттарды айыппұл санай отырып, Google күресті фермаларды байланыстыру және PageRank-ті жасанды түрде көбейтуге арналған басқа схемалар. Google байланыстырушы фермаларды және басқа PageRank манипуляция құралдарын қалай анықтайды - бұл Google-да коммерциялық құпиялар.

Есептеу

PageRank итеративті немесе алгебралық түрде есептелуі мүмкін. Итерациялық әдісті ретінде қарастыруға болады қуаттың қайталануы әдіс ^[32][33] немесе қуат әдісі. Орындалатын негізгі математикалық амалдар бірдей.

Итеративті

At ${ displaystyle t = 0}$, әдетте ықтималдықтың алғашқы таралуы қабылданады

${ displaystyle PR (p_ {i}; 0) = { frac {1} {N}}}$.

мұндағы N - парақтардың жалпы саны, және ${ displaystyle p_ {i}; 0}$ бұл 0 уақыттағы i бет.

Әр қадам сайын есептеу жоғарыда көрсетілгендей нәтиже береді

${ displaystyle PR (p_ {i}; t + 1) = { frac {1-d} {N}} + d sum _ {p_ {j} in M ​​(p_ {i})} { frac {PR (p_ {j}; t)} {L (p_ {j})}}}$

мұндағы d - демпфер факторы,

немесе матрицалық белгілерде

${ displaystyle mathbf {R} (t + 1) = d { mathcal {M}} mathbf {R} (t) + { frac {1-d} {N}} mathbf {1}}$,

(1)

қайда ${ displaystyle mathbf {R} _ {i} (t) = PR (p_ {i}; t)}$ және ${ displaystyle mathbf {1}}$ - ұзындықтың баған векторы ${ displaystyle N}$ тек біреуін қамтиды.

Матрица ${ displaystyle { mathcal {M}}}$ ретінде анықталады

${ displaystyle { mathcal {M}} _ {ij} = { begin {case} 1 / L (p_ {j}), & { mbox {if}} j { mbox {}} i сілтемелері 0, & { mbox {әйтпесе}} end {жағдайлар}}}$

яғни,

${ displaystyle { mathcal {M}}: = (K ^ {- 1} A) ^ {T}}$,

қайда${ displaystyle A}$ дегенді білдіреді матрица графиктің және ${ displaystyle K}$ бұл диагональдағы шектері бар диагональ матрица.

Ықтималдықты есептеу әрбір парақ үшін уақыт нүктесінде жасалады, содан кейін келесі уақыт нүктесінде қайталанады. Есептеу шамалы болғанда аяқталады ${ displaystyle epsilon}$

${ displaystyle | mathbf {R} (t + 1) - mathbf {R} (t) | < epsilon}$,

яғни конвергенция қабылданған кезде.

Алгебралық

-Үшін ${ displaystyle t to infty}$ (яғни тұрақты мемлекет ), теңдеуі (1) оқиды

${ displaystyle mathbf {R} = d { mathcal {M}} mathbf {R} + { frac {1-d} {N}} mathbf {1}}$.

(2)

Шешім арқылы беріледі

${ displaystyle mathbf {R} = ( mathbf {I} -d { mathcal {M}}) ^ {- 1} { frac {1-d} {N}} mathbf {1}}$,

бірге сәйкестік матрицасы ${ displaystyle mathbf {I}}$.

Шешім бар және ол үшін ерекше ${ displaystyle 0$. Мұны атап өту арқылы байқауға болады ${ displaystyle { mathcal {M}}}$ құрылысы бойынша а стохастикалық матрица демек, меншікті мәннің нәтижесі ретінде бірге тең болады Перрон-Фробениус теоремасы.

Қуат әдісі

Егер матрица ${ displaystyle { mathcal {M}}}$ ауысу ықтималдығы, яғни баған-стохастикалық және ${ displaystyle mathbf {R}}$ ықтималдықты бөлу (яғни, ${ displaystyle | mathbf {R} | = 1}$, ${ displaystyle mathbf {E} mathbf {R} = mathbf {1}}$ қайда ${ displaystyle mathbf {E}}$ барлығының матрицасы), содан кейін теңдеу (2) тең

${ displaystyle mathbf {R} = солға (d { mathcal {M}} + { frac {1-d} {N}} mathbf {E} right) mathbf {R} =: { кең жол {{mathcal {M}}} mathbf {R}}$.

(3)

Демек, PageRank ${ displaystyle mathbf {R}}$ басты меншікті векторы болып табылады ${ displaystyle { widehat { mathcal {M}}}}$. Мұны есептеудің жылдам және қарапайым әдісі қуат әдісі: ерікті вектордан басталады ${ displaystyle x (0)}$, оператор ${ displaystyle { widehat { mathcal {M}}}}$ қатарынан қолданылады, яғни

${ displaystyle x (t + 1) = { widehat { mathcal {M}}} x (t)}$,

дейін

${ displaystyle | x (t + 1) -x (t) | < epsilon}$.

Теңдеуде (3) жақшаның оң жағындағы матрица ретінде түсіндірілуі мүмкін

${ displaystyle { frac {1-d} {N}} mathbf {E} = (1-d) mathbf {P} mathbf {1} ^ {t}}$,

қайда ${ displaystyle mathbf {P}}$ ықтималдықтың алғашқы үлестірімі болып табылады. Қазіргі жағдайда

${ displaystyle mathbf {P}: = { frac {1} {N}} mathbf {1}}$.

Ақырында, егер ${ displaystyle { mathcal {M}}}$ тек нөлдік мәндері бар бағандар бар, оларды бастапқы ықтималдық векторымен ауыстыру керек${ displaystyle mathbf {P}}$. Басқа сөздермен айтқанда,

${ displaystyle { mathcal {M}} ^ { prime}: = { mathcal {M}} + { mathcal {D}}}$,

матрица қайда ${ displaystyle { mathcal {D}}}$ ретінде анықталады

${ displaystyle { mathcal {D}}: = mathbf {P} mathbf {D} ^ {t}}$,

бірге

${ displaystyle mathbf {D} _ {i} = { begin {case} 1, & { mbox {if}} L (p_ {i}) = 0 0, & { mbox {әйтпесе} } end {істер}}}$

Бұл жағдайда жоғарыдағы екі есептеу қолданылады ${ displaystyle { mathcal {M}}}$ тек егер олардың нәтижелері қалыпқа келтірілген болса, бірдей PageRank беріңіз:

${ displaystyle mathbf {R} _ { textrm {power}} = { frac { mathbf {R} _ { textrm {iterative}}} {| mathbf {R} _ { textrm {iterative}} |}} = { frac { mathbf {R} _ { textrm {алгебралық}}} {| mathbf {R} _ { textrm {алгебралық}} |}}}$.

Іске асыру

Скала /Apache ұшқыны

Әдеттегі мысал - Scala-дің Apache Spark RDD-мен функционалды бағдарламалауды итеративті түрде бет деңгейлерін есептеу үшін қолдану.^[34][35]

объект SparkPageRank {  деф негізгі(доға: Массив[Жол]) {    вал ұшқын = SparkSession      .құрылысшы      .appName(«SparkPageRank»)      .getOrCreate()    вал итерлер = егер (доға.ұзындығы > 1) доға(1).toInt басқа 10    вал сызықтар = ұшқын.оқыңыз.textFile(доға(0)).рдд    вал сілтемелер = сызықтар.карта{ с =>      вал бөлшектер = с.Сызат(« s +»)      (бөлшектер(0), бөлшектер(1))    }.айқын().groupByKey().кэш()        var дәрежелер = сілтемелер.картаМәндер(v => 1.0)    үшін (мен <- 1 дейін итерлер) {      вал үлес қосады = сілтемелер.қосылу(дәрежелер).құндылықтар.flatMap{ іс (url, дәреже) =>        вал өлшемі = url.өлшемі        url.карта(url => (url, дәреже / өлшемі))      }      дәрежелер = үлес қосады.азайту(_ + _).картаМәндер(0.15 + 0.85 * _)    }    вал шығу = дәрежелер.жинау()    шығу.әрқайсысы үшін(топ => println(топ._1 + «дәрежесі бар:» + топ._2 + "."))    ұшқын.Тоқта()  }}

MATLAB /Октава

M параметрінің іргелес матрицасы, мұнда M_i, j барлық 'j' үшін 'j' - 'i' сілтемесін білдіреді.% қосынды (i, M_i, j) = 1% D демпфер коэффициентіV параметрінің квадраттық қателігі v_quadratic_error% Қайтарымы v, v_i дәрежесінің векторы [0, 1] бастап i-ші дәреже болатындай векторфункциясы[v] =ранг2(M, d, v_quadratic_error)N = өлшемі(М, 2); % N - бұл M өлшеміне және құжаттар санына теңv = ранд(N, 1);v = v ./ норма(v, 1);   % Бұл енді L2 емес, L1соңғы_V = бір(N, 1) * инф;M_hat = (г. .* М) + (((1 - г.) / N) .* бір(N, N));уақыт (норма(v - соңғы_V, 2) > v_quadratic_error)	соңғы_V = v;	v = M_hat * v;        % қайталанатын PR-дің L2 нормасын алып тастадыСоңыСоңы % функциясы

Жоғарыда анықталған дәрежелік функцияны шақыратын код мысалы:

М = [0 0 0 0 1 ; 0.5 0 0 0 0 ; 0.5 0 0 0 0 ; 0 1 0.5 0 0 ; 0 0 0.5 1 0];ранг2(М, 0.80, 0.001)

Python

«» «Қайталаудың нақты санымен алгоритмі PageRank.Қайтару-------матрицадағы түйіндердің (беттердің) рейтингі"""импорт мылқау сияқты npдеф пейджеранк(М, нөмірлер: int = 100, г.: жүзу = 0.85):    «» «PageRank: триллион долларлық алгоритм.    Параметрлер    ----------    M: сансыз массив        M_i, j барлық 'j' үшін 'j' - 'i' сілтемесін білдіретін көршілес матрица        қосынды (i, M_i, j) = 1    num_iterations: int, міндетті емес        қайталану саны, әдепкі бойынша 100    d: өзгермелі, қосымша        демпфер коэффициенті, әдепкі бойынша 0,85    Қайтару    -------    дыбыссыз жиым        v_i дәреже векторы [0, 1] бастап i-ші дәреже болатын дәрежелер векторы,        v 1-ге тең    """    N = М.пішін[1]    v = np.кездейсоқ.ранд(N, 1)    v = v / np.линалг.норма(v, 1)    M_hat = (г. * М + (1 - г.) / N)    үшін мен жылы ауқымы(сандар_өрмелері):        v = M_hat @ v    қайту vМ = np.массив([[0, 0, 0, 0, 1],              [0.5, 0, 0, 0, 0],              [0.5, 0, 0, 0, 0],              [0, 1, 0.5, 0, 0],              [0, 0, 0.5, 1, 0]])v = пейджеранк(М, 100, 0.85)

Бұл мысалда жинақталу үшін ≈13 қайталануы қажет.

Вариациялар

Бағытталмаған графтың деңгейі

Бағытталмаған график ${ displaystyle G}$ графиктің дәрежелік таралуына статистикалық жағынан жақын ${ displaystyle G}$,^[36] бірақ олар әдетте бірдей емес: Егер ${ displaystyle R}$ - бұл жоғарыда анықталған PageRank векторы, және ${ displaystyle D}$ дәреженің таралу векторы болып табылады

${ displaystyle D = {1 2-ден | E |} { begin {bmatrix} deg (p_ {1}) deg (p_ {2}) vdots deg (p_ {N }) end {bmatrix}}}$

қайда ${ displaystyle deg (p_ {i})}$ шыңның дәрежесін білдіреді ${ displaystyle p_ {i}}$, және ${ displaystyle E}$ - графиктің жиек жиыны, содан кейін, бірге ${ displaystyle Y = {1 over N} mathbf {1}}$,^[37] мынаны көрсетеді:

${ displaystyle {1-d 1 + d} | Y-D | _ {1} leq | R-D | _ {1} leq | Y-D | _ {1},}$

яғни бағытталмаған графиктің PageRank дәрежесі таралу векторына тең, егер график тұрақты болса ғана, яғни әрбір шыңның дәрежесі бірдей болады.

Екі түрдегі объектілерді рейтингтеу үшін PageRank пен өзіндік векторлық орталықтылықты жалпылау

Объектілердің өзара әрекеттесетін екі тобын бағалау жағдайына арналған PageRank қорытуы сипатталған.^[38] Қолданбаларда объектілер жұптарында салмақталған қатынас анықталатын екі түрдегі объектілері бар жүйелерді модельдеу қажет болуы мүмкін. Бұл қарастыруға әкеледі екі жақты графиктер. Мұндай графиктер үшін төбелік бөлімдер жиынтығына сәйкес келетін екі байланысты оң немесе теріс емес төмендетілмейтін матрицалар анықталуы мүмкін. Екі топтағы объектілердің рейтингісін осы матрицалардың максималды оң мәндеріне сәйкес келетін жеке векторлар ретінде есептеуге болады. Қалыпты меншікті векторлар Перрон немесе Перрон-Фробениус теоремасы бойынша бар және бірегей. Мысалы: тұтынушылар мен өнімдер. Қатынас салмағы дегеніміз - өнімді тұтыну коэффициенті.

PageRank есептеу үшін үлестірілген алгоритм

Сарма және т.б. екеуін сипаттаңыз кездейсоқ серуендеу - негізделген үлестірілген алгоритмдер желідегі түйіндердің PageRank-ін есептеу үшін.^[39] Бір алгоритм қажет ${ displaystyle O ( log n / epsilon)}$ кез-келген графиктегі (бағытталған немесе бағытталмаған) ықтималдығы жоғары дөңгелектер, мұндағы n - желі мөлшері және ${ displaystyle epsilon}$ қалпына келтіру ықтималдығы (${ displaystyle 1- epsilon}$, бұл демпферлік фактор деп аталады) PageRank есептеуінде қолданылады. Олар сонымен қатар жылдамырақ алгоритм ұсынады ${ displaystyle O ({ sqrt { log n}} / epsilon)}$ бағытталмаған графиктердегі дөңгелектер. Екі алгоритмде де әр түйін тордың өлшемі n-ге полиларифмикалық болатын бірнеше биттерді өңдейді және жібереді.

Google құралдар тақтасы

The Google құралдар тақтасы ұзақ уақыт бойы кірген беттің PageRank функциясын 0-ден 10-ға дейінгі аралықта көрсететін PageRank мүмкіндігі болды, ең танымал веб-сайттар 10-дық PageRank-ті көрсетті, ең азы 0-ді көрсетті, Google Toolbar PageRank-ті анықтайтын нақты әдісті ашпады. веб-сайттың құндылығын көрсететін мән ғана. 2016 жылдың наурызында Google бұл мүмкіндікті бұдан былай қолдамайтынын және негізгі API жақын арада жұмысын тоқтататынын мәлімдеді.^[40]

SERP дәрежесі

The іздеу жүйесінің нәтижелері парағы (SERP) - бұл іздеу машинасы кілт сөзді сұрауға жауап ретінде қайтарған нақты нәтиже. SERP байланыстырылған мәтін үзінділері бар веб-парақтарға сілтемелер тізімінен тұрады. Веб-парақтың SERP дәрежесі сәйкес сілтемені SERP-ке орналастыруды білдіреді, мұнда жоғары орналастыру SERP-тің жоғары дәрежесін білдіреді. Веб-беттің SERP дәрежесі - бұл тек оның PageRank функциясы емес, сонымен қатар салыстырмалы түрде үлкен және үнемі реттелетін факторлар жиынтығы (200-ден жоғары).^[41] Іздеу жүйесін оңтайландыру (SEO) веб-сайттың немесе веб-беттер жиынтығының SERP дәрежесіне әсер етуге бағытталған.

Веб-сайттың Google SERP-де кілт сөзі үшін орналасуы авторитет пен танымалдылық деп аталатын өзектілігі мен беделіне байланысты. PageRank - бұл Google-дің веб-беттің беделін бағалауды көрсететін белгісі: бұл кілт сөз емес. Google кілт сөзімен бәсекелес веб-беттің жалпы өкілеттілігін анықтау үшін веб-сайт пен веб-сайт авторизациясының тіркесімін пайдаланады.^[42] Веб-сайттың HomeRage PageRank - бұл веб-сайттың авторизациясы үшін Google ұсынатын ең жақсы көрсеткіш.^[43]

Енгізілгеннен кейін Google орындары негізгі органикалық SERP-ге кіру үшін PageRank-тен басқа көптеген факторлар бизнесті жергілікті бизнес нәтижелерінде бағалауға әсер етеді.^[44]

Google каталогы PageRank

The Google каталогы PageRank 8 өлшемді өлшем болды. Жасыл жолақты жылжытқандағы сандық PageRank мәнін көрсететін Google құралдар тақтасынан айырмашылығы, Google каталогы тек жолақты көрсетеді, бірақ сандық мәндерді ешқашан көрсетпейді. Google Каталог 2011 жылдың 20 шілдесінде жабылды.^[45]

Жалған немесе жалған PageRank

Бұрын құралдар тақтасында көрсетілген PageRank оңай басқарылатын. A парағынан екіншісіне, а арқылы жіберу HTTP 302 жауап немесе «Жаңарту» мета тег, бастапқы беттің мақсатты беттің PageRank алуына себеп болды. Демек, PR 0-мен жаңа сілтеме жоқ және кіріс сілтемелері жоқ жаңа бет PR-ді Google-дің басты бетіне бағыттау арқылы сатып алуы мүмкін еді. Бұл алдау техника белгілі осалдық болды. Жалған хабарды негізінен URL мекен-жайы бойынша Google іздеуі арқылы анықтауға болады; егер нәтижелерде мүлде басқа сайттың URL мекен-жайы көрсетілсе, онда соңғы URL мекен-жайы қайта бағыттаудың тағайындалуын көрсете алады.

PageRank-ті басқару

Үшін іздеу жүйесін оңтайландыру Кейбір компаниялар PageRank сілтемелерін веб-шеберлерге сатуды ұсынады.^[46] Жоғары PR беттерінің сілтемелері құнды деп саналатындықтан, олар қымбатқа түседі. Трафикті арттыру және веб-мастердің сілтемесінің танымалдылығын арттыру үшін сапалы және тиісті сайттардың мазмұндық беттерінде сілтеме жарнамаларын сатып алу тиімді және өміршең маркетингтік стратегия бола алады. Алайда, Google веб-шеберлерге PageRank пен беделге ие болу үшін сілтемелер сатқаны анықталған болса немесе анықталса, олардың сілтемелері құнсызданатынын (басқа парақтардың PageRank-тарын есептеу кезінде ескерілмейді) ескертті. Сатып алу және сату практикасы ^[47] туралы Вебмастер қауымдастығы арасында қызу пікірталас жүруде. Google веб-шеберлерге nofollow HTML төлсипаты демеушілік сілтемелердің мәні. Сәйкес Мэтт Каттс, Google тырысатын веб-шеберлерге алаңдайды жүйені ойнаңыз және сол арқылы Google іздеу нәтижелерінің сапасы мен өзектілігін төмендетеді.^[46]

Surfer-дің бағытталған моделі

Парақтардың мазмұнына және сұраныстардың шарттарына байланысты парақтан параққа ықтималдықпен секіретін неғұрлым ақылды серфер. Бұл модель сұраққа тәуелді беттің PageRank ұпайына негізделген, ол аты айтып тұрғандай сұраныстың функциясы болып табылады. Көп мерзімді сұрау берілген кезде, ${ displaystyle Q = {q1, q2, cdots }}$, серфер а таңдайды ${ displaystyle q}$ ықтималдықтың үлестірілуіне сәйкес, ${ displaystyle P (q)}$, және бұл терминді көптеген қадамдар үшін өзінің мінез-құлқын бағыттау үшін қолданады. Содан кейін оның мінез-құлқын анықтау үшін үлестірімге сәйкес басқа терминді таңдайды және т.б. Нәтижесінде QD-PageRank кірген веб-беттерге тарату болып табылады.^[48]

Әлеуметтік компоненттер

Катя Майер PageRank-ті әлеуметтік желі ретінде қарастырады, өйткені ол әртүрлі көзқарастар мен ойларды бір жерде байланыстырады.^[49] Адамдар ақпарат алу үшін PageRank-ке барады және оларды су басады дәйексөздер тақырып бойынша пікірі бар басқа авторлардың. Бұл әлеуметтік аспект жасайды, мұнда ой қозғау үшін бәрін талқылауға және жинауға болады. PageRank пен оны қолданатын адамдар арасында әлеуметтік қарым-қатынас бар, өйткені ол қазіргі қоғамдағы өзгерістерге үнемі бейімделіп, өзгеріп отырады. Арқылы PageRank пен жеке тұлғаның арасындағы байланысты қарау социометрия нәтижесінде туындайтын байланысты терең қарастыруға мүмкіндік береді.

^[50] Маттео Паскуинелли PageRank-тің әлеуметтік компоненті бар дегенге негізделеді назар үнемдеу. Зейінді үнемдеу кезінде адам назарын көбірек аударатын өнімдерге мән беріледі, ал нәтижелер PageRank-тің жоғарғы жағында келесі беттерге қарағанда үлкен назар аударады. PageRank-тің нәтижелері адам санасына едәуір дәрежеде енеді. Бұл идеялар шешім қабылдауға әсер етуі мүмкін және көрерменнің іс-әрекеттері PageRank-пен тікелей байланысты. Олар пайдаланушының назарын аудару үшін жоғары әлеуетке ие, өйткені олардың орналасуы сайтқа деген назарды үнемдейді. Осы орналасу арқылы олар көбірек трафик ала алады және олардың онлайн-нарығында көп сатып алулар болады. Осы сайттардың PageRank-і оларға сенуге мүмкіндік береді және олар бұл сенімділікті бизнестің артуына ықпал ете алады.

Басқа мақсаттар

PageRank математикасы толығымен жалпыланған және кез-келген домендегі кез-келген графикке немесе желіге қолданылады. Осылайша, PageRank қазіргі уақытта библиометрияда, әлеуметтік және ақпараттық желілерді талдауда, сілтемелерді болжау мен ұсыныстарда үнемі қолданылады. Бұл тіпті биология, химия, неврология және физика сияқты жол желілерін жүйелік талдау үшін қолданылады.^[51]

Ғылыми зерттеулер және академия

Pagerank жақында зерттеушілердің ғылыми әсерін анықтау үшін қолданылды. Негізгі цитаталар мен ынтымақтастық желілері жеке авторларға таралатын жеке басылымдар үшін рейтингтік жүйені ойлап табу үшін пейджеранк алгоритмімен бірге қолданылады. Пейджерк индексі (Pi) деп аталатын жаңа индекс h-индексімен көрсетілген көптеген кемшіліктер аясында h-индексімен салыстырғанда әділ болып шықты.^[52]

Биологиядағы ақуыздық желілерді талдау үшін PageRank пайдалы құрал болып табылады.^[53][54]

Кез-келген экожүйеде қоршаған ортаның үздіксіз денсаулығы үшін маңызды түрлерді анықтау үшін PageRank-тің өзгертілген нұсқасын пайдалануға болады.^[55]

PageRank-тің жаңа қолданысы - академиялық докторантура бағдарламаларын олардың түлектерін профессорлық-оқытушылық құрамға орналастыру жазбалары негізінде рейтингке бөлу. PageRank терминдерінде академиялық кафедралар бір-бірімен өз факультеттерін жалдау арқылы (және өздерінен) байланысады.^[56]

Жақында дәстүрліге ауыстыру ретінде PageRank нұсқасы ұсынылды Ғылыми ақпарат институты (ISI) импакт-фактор,^[57] және жүзеге асырылды Өзіндік фактор сияқты SCImago. Жалпы дәйексөзді журналға санаудың орнына, әр дәйексөздің «маңыздылығы» PageRank мәнінде анықталады.

Жылы неврология, a. PageRank of a нейрон нейрондық желіде оның салыстырмалы атыс жылдамдығымен корреляциясы анықталды.^[58]

Интернетті пайдалану

Дербестендірілген PageRank пайдаланылады Twitter пайдаланушыларға олар бақылайтын басқа аккаунттарды ұсыну^[59]

Swiftype Сайтты іздеу өнімі әр веб-сайттың маңыздылығы туралы сигналдарды қарап, басты беттегі сілтемелер саны сияқты факторларға негізделген мазмұнға басымдық беру арқылы «жеке веб-сайттарға тән PageRank» жасайды.^[60]

A Веб-шолғыш PageRank-ті веб-тінту кезінде қай URL-мекен-жайға кіретінін анықтау үшін пайдаланатын маңыздылық көрсеткіштерінің бірі ретінде қолдана алады. Алғашқы жұмыс құжаттарының бірі^[61] Google құру кезінде қолданылған URL-ке тапсырыс беру арқылы тиімді тексеріп шығу,^[62] Мұнда Google қаншалықты терең сайтты тексеріп шығатынын анықтау үшін бірнеше маңыздылық көрсеткіштерін қолдану туралы айтылады. PageRank осы маңызды көрсеткіштердің бірі ретінде ұсынылған, бірақ тізімге кірген және шыққан сілтемелер саны, URL мекен-жайы және сайттағы түбірлік каталогтан URL-ге дейінгі арақашықтық сияқты басқа тізімде көрсетілген.

PageRank сондай-ақ сияқты қоғамдастықтың айқын әсерін өлшеу әдістемесі ретінде пайдаланылуы мүмкін Блогосфера жалпы вебтің өзінде. Бұл тәсіл PageRank-ті ескере отырып, назардың таралуын өлшеу үшін қолданады Масштабсыз желі парадигма.^{[дәйексөз қажет ]}

Басқа қосымшалар

2005 жылы Пәкістандағы пилоттық зерттеуде, Құрылымдық терең демократия, SD2^[63][64] «Байланыс жастары» деп аталатын тұрақты ауылшаруашылық тобында көшбасшылықты таңдау үшін пайдаланылды. SD2 қолданады PageRank өтпелі сенім білдірілген дауыстарды өңдеу үшін, әр сайлаушыға кемінде екі бастапқы сенімді өкілдік ету қосымша шектеулерімен, және барлық сайлаушылар сенім білдірілген кандидаттар болып табылады. SD2-ге күрделі нұсқаларды салуға болады, мысалы, арнайы прокси-сервистерді қосу және белгілі бір мәселелерге тікелей дауыс беру, бірақ SD2 негізгі қолшатыр жүйесі ретінде, жалпылама прокси-сервер әрқашан қолданылуы керек.

In sport the PageRank algorithm has been used to rank the performance of: teams in the National Football League (NFL) in the USA;^[65] individual soccer players;^[66] and athletes in the Diamond League.^[67]

PageRank has been used to rank spaces or streets to predict how many people (pedestrians or vehicles) come to the individual spaces or streets.^[68][69] Жылы лексикалық семантика it has been used to perform Сөз мағынасын ажырату,^[70] Мағыналық ұқсастық,^[71] and also to automatically rank WordNet synsets according to how strongly they possess a given semantic property, such as positivity or negativity.^[72]

nofollow

In early 2005, Google implemented a new value, "nofollow ",^[73] үшін рел attribute of HTML link and anchor elements, so that website developers and блогерлер can make links that Google will not consider for the purposes of PageRank—they are links that no longer constitute a "vote" in the PageRank system. The nofollow relationship was added in an attempt to help combat спамдексинг.

As an example, people could previously create many message-board posts with links to their website to artificially inflate their PageRank. With the nofollow value, message-board administrators can modify their code to automatically insert "rel='nofollow'" to all hyperlinks in posts, thus preventing PageRank from being affected by those particular posts. This method of avoidance, however, also has various drawbacks, such as reducing the link value of legitimate comments. (Қараңыз: Spam in blogs#nofollow )

In an effort to manually control the flow of PageRank among pages within a website, many webmasters practice what is known as PageRank Sculpting^[74]—which is the act of strategically placing the nofollow attribute on certain internal links of a website in order to funnel PageRank towards those pages the webmaster deemed most important. This tactic has been used since the inception of the nofollow attribute, but may no longer be effective since Google announced that blocking PageRank transfer with nofollow does not redirect that PageRank to other links.^[75]

UGC

Google now using UGC rel attribute of HTML that stands for User Generated Content, and the ugc attribute value is recommended for links within user generated content, such as comments and forum posts. [Дәйексөз қажет.]

Амортизация

PageRank was once available for the verified site maintainers through the Google Webmaster Tools interface. However, on October 15, 2009, a Google employee confirmed that the company had removed PageRank from its Веб-мастер құралдары section, saying that "We've been telling people for a long time that they shouldn't focus on PageRank so much. Many site owners seem to think it's the most important метрикалық for them to track, which is simply not true."^[76] In addition, The PageRank indicator is not available in Google's own Chrome браузер.

The visible page rank is updated very infrequently. It was last updated in November 2013. In October 2014 Matt Cutts announced that another visible pagerank update would not be coming.^[77]

Even though "Toolbar" PageRank is less important for SEO purposes, the existence of back-links from more popular websites continues to push a webpage higher up in search rankings.^[78]

Google elaborated on the reasons for PageRank deprecation at Q&A #March and announced Links and Content as the Top Ranking Factors, RankBrain was announced as the #3 Ranking Factor in October 2015 so the Top 3 Factors are now confirmed officially by Google.^[79]

On April 15, 2016 Google has officially turned off display of PageRank Data in Google Toolbar. Google had declared their intention to remove the PageRank score from the Google toolbar several months earlier.^[80] Google will still be using PageRank score when determining how to rank content in search results.^[81]

Сондай-ақ қараңыз

• Назар теңсіздік
• CheiRank
• Domain Authority
• EigenTrust — a decentralized PageRank algorithm
• Google бомбасы
• Google Hummingbird
• Google matrix
• Google Panda
• Google Penguin
• Google Search
• Hilltop алгоритмі
• Кац орталықтығы – a 1953 scheme closely related to pagerank
• Сілтеме ғимараты
• Іздеу жүйесін оңтайландыру
• SimRank — a measure of object-to-object similarity based on random-surfer model
• TrustRank
• VisualRank - Google's application of PageRank to image-search
• Веб-сайт

Әдебиеттер тізімі

Дәйексөздер

Дереккөздер

Relevant patents

• Original PageRank U.S. Patent—Method for node ranking in a linked database —Patent number 6,285,999—September 4, 2001
• PageRank U.S. Patent—Method for scoring documents in a linked database —Patent number 6,799,176—September 28, 2004
• PageRank U.S. Patent—Method for node ranking in a linked database —Patent number 7,058,628—June 6, 2006
• PageRank U.S. Patent—Scoring documents in a linked database —Patent number 7,269,587—September 11, 2007

Сыртқы сілтемелер

• Алгоритмдер by Google
• Our products and services by Google
• How Google Finds Your Needle in the Web's Haystack by the American Mathematical Society

(Google uses a logarithmic scale.)