众文网1.pagerank算法主要基于什么对结果进行排序
它是Google排名运算法则（排名公式）的一部分，是Google用于用来标识网页的等级/重要性的一种方法，是Google用来衡量一个网站的好坏的唯一标准。
在揉合了诸如Title标识和Keywords标识等所有其它因素之后，Google通过PageRank来调整结果，使那些更具“等级/重要性”的网页在搜索结果中另网站排名获得提升，从而提高搜索结果的相关性和质量。 PageRank（网页级别），2001年9月被授予美国专利，专利人是Google创始人之一拉里·佩奇 PageRank专利人——拉里·佩奇 （Larry Page）。
因此，PageRank里的page不是指网页，而是指佩奇，即这个等级方法是以佩奇来命名的。它是Google排名运算法则（排名公式）的一部分，是Google用于用来标识网页的等级/重要性的一种方法，是Google用来衡量一个网站的好坏的唯一标准。
2.大数据量PageRank算法
PageRank算法假设一个由4个页面组成的小团体：A,B, C 和 D。
如果所有页面都链向A，那么A的PR(PageRank)值将是B,C 及 D的和。PR(A) = PR(B) + PR(C) + PR(D) 继续假设B也有链接到C，并且D也有链接到包括A的3个页面。
一个页面不能投票2次。所以B给每个页面半票。
以同样的逻辑，D投出的票只有三分之一算到了A的 PageRank 上。换句话说，根据链处总数平分一个页面的PR值。
最后，所有这些被换算为一个百分比再乘上一个系数q。由于下面的算法，没有页面的PageRank会是0。
所以，Google通过数学系统给了每个页面一个最小值1 − q。所以一个页面的 PageRank 是由其他页面的PageRank计算得到。
Google 不断的重复计算每个页面的 PageRank。如果您给每个页面一个随机 PageRank 值（非0），那么经过不断的重复计算，这些页面的 PR 值会趋向于正常和稳定。
这就是搜索引擎使用它的原因。[编辑] 完整的这个方程式引入了随机浏览的概念，即有人上网无聊随机打开一些页面，点一些链接。
一个页面的PageRank值也影响了它被随机浏览的概率。为了便于理解，这里假设上网者不断点网页上的链接，最终到了一个没有任何链出页面的网页，这时候上网者会随机到另外的网页开始浏览。
为了对那些有链出的页面公平，q = 0.15(q的意义见上文)的算法被用到了所有页面上， 估算页面可能被上网者放入书签的概率。所以，这个等式如下：p1,p2,。
,pN是被研究的页面，M(pi)是链入pi页面的数量，L(pj)是pj链出页面的数量，而N是所有页面的数量。PageRank值是一个特殊矩阵中的特征向量。
这个特征向量为R是等式的答案如果pj不链向pi， 而且对每个j都成立时，等于 0这项技术主要的弊端是，旧的页面等级会比新页面高，因为新页面，即使是非常好的页面，也不会有很多链接，除非他是一个站点的子站点。这就是 PageRank 需要多项算法结合的原因。
PageRank 似乎倾向于维基百科页面，在条目名称的搜索结果中总在大多数或者其他所有页面之前。原因主要是维基百科内相互的链接很多，并且有很多站点链入。
3.用什么程序实现pagerank算法
you can get it in GitHub,a website./** * @file * @author Aapo Kyrola * @version 1.0 * * @section LICENSE * * Copyright [2012] [Aapo Kyrola, Guy Blelloch, Carlos Guestrin / Carnegie Mellon University] * * Licensed under the Apache License, Version 2.0 (the "License"); * you may not use this file except in compliance with the License. * You may obtain a copy of the License at * * putation. GraphChi engine writes a file filename.deltalog. */ ginfo.log_change(std::abs(pagerank - v.get_data())); /* Set my new pagerank as the vertex value */ v.set_data(pagerank); } }};/** * Faster version of pagerank which holds vertices in memory. Used only if the number * of vertices is small enough. */struct PagerankProgramInmem : public GraphChiProgram
4.用户的pagerank值怎么计算
PageRank，即网页排名，又称网页级别、Google左侧排名或佩奇排名。
是Google创始人拉里·佩奇和谢尔盖·布林于1997年构建早期的搜索系统原型时提出的链接分析算法，自从Google在商业上获得空前的成功后，该算法也成为其他搜索引擎和学术界十分关注的计算模型。目前很多重要的链接分析算法都是在PageRank算法基础上衍生出来的。PageRank是Google用于用来标识网页的等级/重要性的一种方法，是Google用来衡量一个网站的好坏的唯一标准。在揉合了诸如Title标识和Keywords标识等所有其它因素之后，Google通过PageRank来调整结果，使那些更具“等级/重要性”的网页在搜索结果中另网站排名获得提升，从而提高搜索结果的相关性和质量。其级别从0到10级，10级为满分。PR值越高说明该网页越受欢迎（越重要）。例如：一个PR值为1的网站表明这个网站不太具有流行度，而PR值为7到10则表明这个网站非常受欢迎（或者说极其重要）。一般PR值达到4，就算是一个不错的网站了。Google把自己的网站的PR值定到10，这说明Google这个网站是非常受欢迎的，也可以说这个网站非常重要。
5.pagerank简单算法
用matlab来处理，代码如下：A = [ 0,1,1,1; 1,0,1,0; 0,1,0,1; 1,0,1,0;];A = A';M = A ./ repmat(sum(A),size(A,1),1);[V, D]= eig(M);EigenVector = V(:, abs(diag(D))==max(abs(diag(D))));PageRank = abs(EigenVector)./ norm(EigenVector,1)；解释一下解题的过程：1、ABCD4个网页，用序号1234来代替，那么A有链接到BCD，表示为：0,1,1,1;B有连接到AC，表示为： 1,0,1,0;C有连接到BD，表示为： 0,1,0,1;D有连接到AC，表示为： 1,0,1,0；即得到矩阵AA = 0 1 1 1 1 0 1 0 0 1 0 1 1 0 1 02、对矩阵A做转置得到A'，并对A'的权重做调整得到MA' = 0 1 0 1 1 0 1 0 1 1 0 1 1 0 1 0M = 0 0.5000 0 0.5000 0.3333 0 0.5000 0 0.3333 0.5000 0 0.5000 0.3333 0 0.5000 0可以看出M的每一列的和都等于13、求出矩阵M的特征值V和特征向量DV = -0.4575 -0.8384 -0.6229 -0.0000 -0.4575 0.1772 0.4913 -0.7071 -0.6100 0.4841 -0.3596 -0.0000 -0.4575 0.1772 0.4913 0.7071D = 1.0000 0 0 0 0 -0.2113 0 0 0 0 -0.7887 0 0 0 0 04、找出特征值最大的特征向量EigenVector EigenVector = -0.4575 -0.4575 -0.6100 -0.45755、对EigenVector 做归一化，得到PageRankPageRank = 0.2308 0.2308 0.3077 0.2308对结果的解释ABD网页的权值都是0.2308,C网页的权值最大，为0.3077.参考这篇文章《Google 的秘密 PageRank彻底解说 中文版 》，你可以百度到链接。
6.pagerank简单算法
用matlab来处理，代码如下：
A = [
0,1,1,1;
1,0,1,0;
0,1,0,1;
1,0,1,0;
];
A = A';
M = A ./ repmat(sum(A),size(A,1),1);
[V, D]= eig(M);
EigenVector = V(:, abs(diag(D))==max(abs(diag(D))));
PageRank = abs(EigenVector)./ norm(EigenVector,1);
解释一下解题的过程：
1、
ABCD4个网页，用序号1234来代替，那么
A有链接到BCD，表示为：0,1,1,1;
B有连接到AC，表示为： 1,0,1,0;
C有连接到BD，表示为： 0,1,0,1;
D有连接到AC，表示为： 1,0,1,0;
即得到矩阵A
A =
0 1 1 1
1 0 1 0
0 1 0 1
1 0 1 0
2、对矩阵A做转置得到A'，并对A'的权重做调整得到M
A' =
0 1 0 1
1 0 1 0
1 1 0 1
1 0 1 0
M =
0 0.5000 0 0.5000
0.3333 0 0.5000 0
0.3333 0.5000 0 0.5000
0.3333 0 0.5000 0
可以看出M的每一列的和都等于1
3、
求出矩阵M的特征值V和特征向量D
V =
-0.4575 -0.8384 -0.6229 -0.0000
-0.4575 0.1772 0.4913 -0.7071
-0.6100 0.4841 -0.3596 -0.0000
-0.4575 0.1772 0.4913 0.7071
D =
1.0000 0 0 0
0 -0.2113 0 0
0 0 -0.7887 0
0 0 0 0
4、
找出特征值最大的特征向量EigenVector
EigenVector =
-0.4575
-0.4575
-0.6100
-0.4575
5、
对EigenVector 做归一化，得到PageRank
PageRank =
0.2308
0.2308
0.3077
0.2308
对结果的解释
ABD网页的权值都是0.2308,C网页的权值最大，为0.3077.
参考这篇文章《Google 的秘密
PageRank彻底解说 中文版 》，你可以百度到链接。
7.pagerank算法主要基于什么对结果进行排序
它是Google排名运算法则（排名公式）的一部分，是Google用于用来标识网页的等级/重要性的一种方法，是Google用来衡量一个网站的好坏的唯一标准。
在揉合了诸如Title标识和Keywords标识等所有其它因素之后，Google通过PageRank来调整结果，使那些更具“等级/重要性”的网页在搜索结果中另网站排名获得提升，从而提高搜索结果的相关性和质量。 PageRank（网页级别），2001年9月被授予美国专利，专利人是Google创始人之一拉里·佩奇 PageRank专利人——拉里·佩奇 （Larry Page）。
因此，PageRank里的page不是指网页，而是指佩奇，即这个等级方法是以佩奇来命名的。它是Google排名运算法则（排名公式）的一部分，是Google用于用来标识网页的等级/重要性的一种方法，是Google用来衡量一个网站的好坏的唯一标准。