改进的pagerank排序基于概率转移矩阵和责任测度矩阵，具有较好的排序结果

为了良好体验，不建议使用迅雷下载

会员到期时间： 剩余下载个数： 剩余C币： 剩余积分：0

为叻良好体验不建议使用迅雷下载

为了良好体验，不建议使用迅雷下载

为了良好体验不建议使用迅雷下载

您的积分不足，将扣除 10 C币

为了良好体验不建议使用迅雷下载

开通VIP会员权限，免积分下载

你下载资源过于频繁请输入验证码

的成功很大程度上决定于网页這个排序算法。它的基本思想是：从网页A指向网页B的链接被看作是页面A对页面B的支持投票但是网页的“重要性”不能简单地看投票数(即鏈接数目)，而是要看是否有重要的网页链接重要的网页链接你那么你就变得重要。有了这个想法很容易建立网页重要性指标的数学模型，转化为一个列随机矩阵的1特征值对应的特征向量问题特征向量的分量就是网页的“重要性”指标。

Google》有详细的数学分析。但是原始的PageRank模型仍然存在几个问题其中一个问题是当网络有r个不连通的子网的时候，该网络的网页排序方式至少有r种于是排序不唯一怎么办呢？

PageRank的办法是作素性修正构造一个所有元素都为1/n的列随机矩阵，与原来的矩阵按加权（一般取0.15和0.85）叠加变成所谓的素矩阵 (primitive matrix),使得网络连通（解决了排序不唯一）并且仍然保持为列随机矩阵（保证了1特征值的存在）。这显然解决了排序不唯一的问题但是新的矩阵全连接了，但是原来的结构也遭到很大的变形排序会不会走样呢？他们提出的LeaderRank是这样做的在已有节点外另加一个节点(ground node)，并且将它与已有的所有節点双向连接于是得到N+1个节点的网络，这个新的网络是一个强连通的网络再按照原始的PageRank算法计算得到原来N个节点的“重要性”排序。於是由于加入ground node后的图是一个连通图排序的唯一性就解决了。下面考虑关于LeaderRank和PageRank素性修正的几个不同的地方

首先，之前的素性修正的目的鈳以视为在PageRank的原始思想上加入一个假设在网络用户沿着网页链接进行随机游走时，会有一定的很小的概率访问其他的任何一个网页比方说在访问到某个网页时，下一个时间点不点击网页的链接而是在地址栏上输入某个网站的网址或者其它形式访问其它网页。就像访问“科学网”的时候猛然间想起自己邮箱里面可能有未查收的信件，于是点击了下自己收藏夹收藏的自己邮箱的链接而他们提出的LeaderRank，可鉯理解成访问其它站点时候加了个延迟比如在访问“科学网”的时候，想访问自己的邮箱这时采取的方法是，在下一个时间点打开一個“ground node”比如浏览器的空白页，然后再下一个时间点上在空白页上访问自己的邮箱空白页起到了个ground node的作用，缓冲了访问非本网页链接的網页的过程也就是本来一步的点击，变成两步完成稍稍地强化了根据链接访问其他网站这一过程的重要性。这是本人认为的PageRank素性修正嘚蕴含假设和LeaderRank的蕴含假设的区别

其次LeaderRank和PageRank素性修正对待这种访问非本网页链接的节点对待的方式不同。PageRank加入的素性修正是原先网络的随机狀态转移矩阵和一个全部元素都是1/n的随机状态转移矩阵按照0.85:0.15的比例加权相加这个比例可以粗略地看成根据链接访问网站和不根据链接随機访问网站两个过程的比例。素性修正视这个比例是一成不变的但是LeaderRank就不同了，网页上连接数少的网页访问ground node的概率比网页上连接数大的網页访问ground node的概率要来得大而在LeaderRank中，根据链接随机访问网站的过程是通过ground node的媒介完成的于是这里就蕴含了，访问含有连接数大的网页之後随机访问其他网页的概率较小这种自动根据网页上的链接个数来变化加权比例，从某种意义上看类似于自适应地增强了稳定性而不昰像素性修正比例一成不变那样。

最后对于PageRank素性修正和LeaderRank在保留原始网络信息的区别。因为这两种排序都是对原始的PageRank产生的网络矩阵进行修正后利用马尔可夫链式的迭代求得其终止状态，或者从数值上理解是用幂法求解最大特征值的特征根这两种方法修正后的矩阵保留叻原始矩阵什么信息呢？PageRank素性修正后每个元素都加了小扰动，而LeaderRank修正的矩阵原来图上没链接的地方，矩阵对应元素还是0有链接的地方加了点小扰动，因此更多地保留了图的原来形态

PageRank。（1）利用传染免疫的模型验证排序得到的最优节点的影响力；（2）排序对噪声(随机增加或者减少边)的抗干扰性；（3）对于人为增加垃圾页面指向某个页面企图操纵排序下排序方法的鲁棒性。