PageRank算法

PageRank基本理念

PageRank算法的目的是：标记网页的重要性的一种方法，用以衡量网页的质量的好坏，来调整搜索的排序结果，PageRank算法借鉴学术界论文重要性的评估方法：谁被引用的次数多，谁就越重要

核心思想：

（1）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

（2）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

 

 

1. 算法原理

几个基本概念：

• 入链：页面A增加了指向页面B的超链接，则B有来自于A的入链，或用户直接通过url进入B，则为url到B的入链

• 出链：页面A增加了指向页面B的超链接，则A出链到B

• 无出链/只对自己出链：页面不再指向新的页面或只指向自己

• PR值：一个网页的PR值，概率上理解就是此网页被访问的概率，PR值越高其排名越高

 

网页都有出入链

所有的网页都有出链和入链，图是强连通的，从任一点出发可以遍历整个图，为了简化计算

我们可以假设当一个用户停留在某页面时，他跳转到页面所指向的其他页面的概率是相同的

即上图中页面B有两个出链，则从B跳转到A和B跳转到D的概率为相同，为1/2

计算页面A的PR值：PR(A) = PR(C) + PR(B)/2

如此我们可以用转移矩阵来描述页面之间跳转的概率

 

 

其中 的值表示用户从页面j跳转到页面i的概率

假设初始时刻每个页面有一个初始的PR值为1/N（假设出初始时刻所有的页面的权重是相同的），这里就是1/4，得到PageRank的一个向量

 

则表示了经过一次迭代（页面转移）后各个页面的更新后的PR值

持续迭代这个过程，最终收敛

 

 

存在没有出链的网页

 

 

上述的案例的前提是网页是强连通的，事实上真实的网络并不是强连通的， 其中会存在一些没有出链的节点， 也可以叫做 dead ends

 

如上图所示，网页C是没有出链。因为C没有出链，所以对A,B,D网页没有PR值的贡献。在转移矩阵中对应的转移概率均为0， 这样会导致上述计算过程最终收敛为0。

为了解决这个问题，可以假设dead end对所有的页面都有出链

 

 

存在仅对自己有出链的（spider trap）

可以预见，如果把真实的Web组织成转移矩阵，那么这将是一个极为稀疏的矩阵，从矩阵论知识可以推断，极度稀疏的转移矩阵迭代相乘可能会使得向量v变得非常不平滑，即一些节点拥有很大的rank，而大多数节点rank值接近0。而一种叫做Spider Traps节点的存在加剧了这种不平滑。

节点C有出链所以不是Dead Ends，但是它只链向自己（注意链向自己也算外链，当然同时也是个内链）。这种节点叫做Spider Trap，如果对这个图进行计算，会发现C的rank越来越大趋近于1，而其它节点rank值几乎归零。

为了克服这种现象，假定当一个用户在某个页面停留的时候，出了根据当前页面的出链进行跳转，还有一定的概率随机的跳转到其他任意的页面（通过url跳转等）不管这两个页面是否有链接

加入这种随机转移概率后，迭代公式发生变化

通常β的值取值较小（如0.2、0.15等），e为单位向量

如果按这个公式迭代算下去，会发现Spider Traps的效应被抑制了，从而每个页面都拥有一个较为合理的pagerank。

 

 

1. 相关证明

如前所述， pagerank用户在经过很长——理论上为无穷长——时间的漫游后访问各网页的几率分布， 即 ， 来确定网页排序的。 这个定义要想管用， 显然要解决两个问题：

• 极限  是否存在？

• 如果极限存在， 它是否与 p0 的选取无关？

 

我们可以做一下转换

则v的n+1次迭代的结果仅与第n次迭代结果相关，于是计算PR值的过程就变成了一个 Markov 过程，随机过程理论中有一个所谓的马尔可夫链基本定理 (fundamental theorem of Markov chains)， 它表明在一个马尔可夫过程中， 如果转移矩阵是素矩阵， 那么上述前两个问题的答案就是肯定的，如果这个 Markov 过程收敛，那么 存在，且与P0的选取无关。

 

 

Influence Propagation

影响力传播主要在于研究社交网络，并寻求一个影响力最大化的问题，在市场营销，广告发布等方面会有一定的应用。

影响力传播模型：

将社交网络描述成一个图G(V,E)，其中V是网络中用户节点的集合，E是用户与用户之间关系的描述。网络中的节点存在两种状态：激活、未激活。当一个节点激活时，它对于它所指向的节点具有影响力。当一个节点周围有越来越多的节点被激活时，则它被激活的概率也上升。每个节点只能由未激活状态转换成激活状态，不能反向转化

影响力最大化要解决的问题是：如何选取k个种子节点进行信息传播，并使最终被激活的节点最多

1. 独立级联模型（IC模型）

• 初始活跃节点集合S，其中点v在t时刻激活，则它对其邻居w进行一次影响传播的尝试，成功的概率为Pvw

• 当节点w在t时候有多个邻居节点处于被激活状态，则多个邻居节点以任意顺序尝试激活节点w，如w被成功激活，则在t+1时刻，w状态变为激活状态，并对其邻居节点进行影响

• 当一个节点处于被激活状态，且已经尝试激活其邻居节点后，节点处于激活状态，但已无影响力，当网络中的不存在有影响力的的活跃节点时，迭代结束

问题：

• 只考虑节点v与出边邻居w的关系，不考虑其他节点对于w造成的影响

• 由于概率模型，激活过程不确定，同样的种子、同样的网络，运行多次结果不一致

 

1. 线性与之模型（LT模型）

• 对于节点v存在一个阈值θv，用以描述这个节点被影响的难易程度，θv越小，则表示该节点越容易被影响，只有当节点v的所有的邻居节点对v造成的影响大于这个阈值，v才会被激活

• 用bwv表示节点w对于节点v的影响的权重， ，表示节点v的所有处于活跃状态的邻居节点对于节点v的影响力之和

• 在t时刻节点v有一些邻居节点被激活，对v产生影响，当邻居节点对于v的影响力之和大于v激活阈值，则v在t+1时刻转为激活状态，条件：

• 当网络中没有节点能够被激活时，迭代结束

 

LT模型的激活过程确定， 节点a对节点v的影响在尝试激活失败后被积累，对于其他节点对于v的尝试激活有贡献

 

 

参考文档：

http://blog.jobbole.com/23286/

https://wenku.baidu.com/view/b5ae3e50960590c69fc37674.html

https://blog.csdn.net/rubinorth/article/details/52215036

https://blog.csdn.net/u012421852/article/details/80290411

标签：PR,网页,Influence,Propagation,出链,PageRank,激活,节点,页面
来源： https://blog.csdn.net/sy19901011/article/details/86515981