1、寫出PageRank演算法的matlab實現
這個好難啊，你要不搜一下麥客技術聯盟，找大神幫一下，我找過，很牛
2、用戶的pagerank值怎麼計算
PageRank,即網頁排名，又稱網頁級別、Google左側排名或佩奇排名。
是Google創始人拉里·佩奇和謝爾蓋·布林於1997年構建早期的搜索系統原型時提出的鏈接分析演算法，自從Google在商業上獲得空前的成功後，該演算法也成為其他搜索引擎和學術界十分關注的計算模型。目前很多重要的鏈接分析演算法都是在PageRank演算法基礎上衍生出來的。PageRank是Google用於用來標識網頁的等級/重要性的一種方法，是Google用來衡量一個網站的好壞的唯一標准。在揉合了諸如Title標識和Keywords標識等所有其它因素之後，Google通過PageRank來調整結果，使那些更具「等級/重要性」的網頁在搜索結果中另網站排名獲得提升，從而提高搜索結果的相關性和質量。其級別從0到10級，10級為滿分。PR值越高說明該網頁越受歡迎（越重要）。例如：一個PR值為1的網站表明這個網站不太具有流行度，而PR值為7到10則表明這個網站非常受歡迎（或者說極其重要）。一般PR值達到4，就算是一個不錯的網站了。Google把自己的網站的PR值定到10，這說明Google這個網站是非常受歡迎的，也可以說這個網站非常重要。
3、搜索引擎排名演算法分析，搜索引擎排名有哪幾種演算法？
①Google和PageRank演算法。
②PageRank演算法。
③HITS演算法。
④ ARC演算法。
主要針對關鍵詞在文章中出現密度的原理，和一定推廣手段（如：推廣平台，問答，權重網站外鏈等），從而引導蜘蛛來爬行，並對其關鍵詞收錄，來達到自身想要的利益，但效果普通，且推廣力度大，每天更新內容量多的問題。好的SEO不僅僅是針對關鍵詞，哪怕細致到用戶在瀏覽網站時，每一個點擊動作，瀏覽的方便程度，都是做出了考慮的，白帽的SEO工作者，是從對網站建設，用戶體驗，頁面布局等等做出了長期的規劃。所以，任何搜索引擎基本沒有很固定的一套排名演算法（例如百度等就會不斷更新自己的排名演算法），或者有，也是不會公開，因為這樣會造成搜索引擎的排名紊亂。了解了用戶的訪問目的，針對性的對網站做出長期規劃，布局，為用戶提供好的體驗，這才是做為白帽SEO工作者應該做的事情。關注那些關於搜索引擎工作機制的最新和最大的傳言沒有什麼不好，但是不要熱衷於此，否則就忽略了真正有意義的事情：網站的訪問者。
4、用什麼程序實現pagerank演算法
you can get it in GitHub,a website.
/**
* @file
* @author Aapo Kyrola <[email protected]>
* @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
*
* http://www.apache.org/licenses/LICENSE-2.0
*
* Unless required by applicable law or agreed to in writing, software
* distributed under the License is distributed on an "AS IS" BASIS,
* WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
* See the License for the specific language governing permissions and
* limitations under the License.
*
* @section DESCRIPTION
*
* Simple pagerank implementation. Uses the basic vertex-based API for
* demonstration purposes. A faster implementation uses the functional API,
* "pagerank_functional".
*/
#include <string>
#include <fstream>
#include <cmath>
#define GRAPHCHI_DISABLE_COMPRESSION
#include "graphchi_basic_includes.hpp"
#include "util/toplist.hpp"
using namespace graphchi;
#define THRESHOLD 1e-1
#define RANDOMRESETPROB 0.15
typedef float VertexDataType;
typedef float EdgeDataType;
struct PagerankProgram : public GraphChiProgram<VertexDataType, EdgeDataType> {
/**
* Called before an iteration starts. Not implemented.
*/
void before_iteration(int iteration, graphchi_context &info) {
}
/**
* Called after an iteration has finished. Not implemented.
*/
void after_iteration(int iteration, graphchi_context &ginfo) {
}
/**
* Called before an execution interval is started. Not implemented.
*/
void before_exec_interval(vid_t window_st, vid_t window_en, graphchi_context &ginfo) {
}
/**
* Pagerank update function.
*/
void update(graphchi_vertex<VertexDataType, EdgeDataType> &v, graphchi_context &ginfo) {
float sum=0;
if (ginfo.iteration == 0) {
/* On first iteration, initialize vertex and out-edges.
The initialization is important,
because on every run, GraphChi will modify the data in the edges on disk.
*/
for(int i=0; i < v.num_outedges(); i++) {
graphchi_edge<float> * edge = v.outedge(i);
edge->set_data(1.0 / v.num_outedges());
}
v.set_data(RANDOMRESETPROB);
} else {
/* Compute the sum of neighbors' weighted pageranks by
reading from the in-edges. */
for(int i=0; i < v.num_inedges(); i++) {
float val = v.inedge(i)->get_data();
sum += val;
}
/* Compute my pagerank */
float pagerank = RANDOMRESETPROB + (1 - RANDOMRESETPROB) * sum;
/* Write my pagerank divided by the number of out-edges to
each of my out-edges. */
if (v.num_outedges() > 0) {
float pagerankcont = pagerank / v.num_outedges();
for(int i=0; i < v.num_outedges(); i++) {
graphchi_edge<float> * edge = v.outedge(i);
edge->set_data(pagerankcont);
}
}
/* Keep track of the progression of the computation.
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<VertexDataType, EdgeDataType> {
std::vector<EdgeDataType> pr;
PagerankProgramInmem(int nvertices) : pr(nvertices, RANDOMRESETPROB) {}
void update(graphchi_vertex<VertexDataType, EdgeDataType> &v, graphchi_context &ginfo) {
if (ginfo.iteration > 0) {
float sum=0;
for(int i=0; i < v.num_inedges(); i++) {
sum += pr[v.inedge(i)->vertexid];
}
if (v.outc > 0) {
pr[v.id()] = (RANDOMRESETPROB + (1 - RANDOMRESETPROB) * sum) / v.outc;
} else {
pr[v.id()] = (RANDOMRESETPROB + (1 - RANDOMRESETPROB) * sum);
}
} else if (ginfo.iteration == 0) {
if (v.outc > 0) pr[v.id()] = 1.0f / v.outc;
}
if (ginfo.iteration == ginfo.num_iterations - 1) {
/* On last iteration, multiply pr by degree and store the result */
v.set_data(v.outc > 0 ? pr[v.id()] * v.outc : pr[v.id()]);
}
}
};
int main(int argc, const char ** argv) {
graphchi_init(argc, argv);
metrics m("pagerank");
global_logger().set_log_level(LOG_DEBUG);
/* Parameters */
std::string filename = get_option_string("file"); // Base filename
int niters = get_option_int("niters", 4);
bool scheler = false; // Non-dynamic version of pagerank.
int ntop = get_option_int("top", 20);
/* Process input file - if not already preprocessed */
int nshards = convert_if_notexists<EdgeDataType>(filename, get_option_string("nshards", "auto"));
/* Run */
graphchi_engine<float, float> engine(filename, nshards, scheler, m);
engine.set_modifies_inedges(false); // Improves I/O performance.
bool inmemmode = engine.num_vertices() * sizeof(EdgeDataType) < (size_t)engine.get_membudget_mb() * 1024L * 1024L;
if (inmemmode) {
logstream(LOG_INFO) << "Running Pagerank by holding vertices in-memory mode!" << std::endl;
engine.set_modifies_outedges(false);
engine.set_disable_outedges(true);
engine.set_only_adjacency(true);
PagerankProgramInmem program(engine.num_vertices());
engine.run(program, niters);
} else {
PagerankProgram program;
engine.run(program, niters);
}
/* Output top ranked vertices */
std::vector< vertex_value<float> > top = get_top_vertices<float>(filename, ntop);
std::cout << "Print top " << ntop << " vertices:" << std::endl;
for(int i=0; i < (int)top.size(); i++) {
std::cout << (i+1) << ". " << top[i].vertex << "\t" << top[i].value << std::endl;
}
metrics_report(m);
return 0;
}試試吧！
5、pagerank演算法求解，求出pagerank值並排名
這種資源還是在百度或GOOGLE上搜一下，如果曾經有人在網上發布，或有網站下載，一般都會被搜索引擎收錄；如果搜不到，你可以找一下相關的論壇，最好是那種人氣比較高的論壇，注冊會員，發帖求助，會有高手幫你的。
6、pagerank演算法主要基於什麼對結果進行排序
它是Google排名運演算法則（排名公式）的一部分，是Google用於用來標識網頁的等級/重要性的一種方法，是Google用來衡量一個網站的好壞的唯一標准。在揉合了諸如Title標識和Keywords標識等所有其它因素之後，Google通過PageRank來調整結果，使那些更具「等級/重要性」的網頁在搜索結果中另網站排名獲得提升，從而提高搜索結果的相關性和質量。 PageRank(網頁級別)，2001年9月被授予美國專利，專利人是Google創始人之一拉里·佩奇 PageRank專利人——拉里·佩奇 （Larry Page）。因此，PageRank里的page不是指網頁，而是指佩奇，即這個等級方法是以佩奇來命名的。它是Google排名運演算法則（排名公式）的一部分，是Google用於用來標識網頁的等級/重要性的一種方法，是Google用來衡量一個網站的好壞的唯一標准
7、pagerank演算法和lpa演算法的區別
什麼是PageRank,PageRank是簡稱PR.PageRank是谷歌的網頁重要性的評估;
PageRank值可以改進,以提高您的網頁排名在谷歌搜索引擎,但它並不意味著PR值越高,排名越靠前.有一些網站,PageRank並不高,但相比一些PageRank高的網站排名前也.所以,你應該在網站優化,但也努力提高PR值的網站.提高PR最佳和最簡單的方法是：
提供有趣,有價值的內容的網站,所以網站鏈接主動和你,提高你的外部鏈接值.
將您的網站提交到主要的搜索引擎,它可以顯著提高您的網站排名在谷歌.
可以將網站添加到行業門戶站點,網上論壇,留言簿允許添加網址鏈接.
與其他網站交換鏈接來提高鏈接權重.
由谷歌第一您要查看的其他網站與其他網站交換鏈接被刪除,或是否由谷歌,沒有被該網站由谷歌索引最好不要做連接.
8、求百度的超鏈分析和Google的pagerank技術的區別，要權威的
== 這是 中國WEB信息博物館 （Web InfoMall） 2003年10月09日 存儲的網頁 == 點擊這里查看本網頁的其他版本 請選擇: 2003年10月09日 2004年05月04日 當前最新網頁 隱藏InfoMall信息 -------------------------------------------------------------------------------- 轉到主要內容 竹筍炒肉 東坡有詩「無竹則俗，無肉則廋；不俗不廋，竹筍炒肉」。：） 歡迎光臨的每一位朋友。這是我的第一個BLOG，用來記錄我的所學、所做、所思、所想、所經歷、所感受。 « Log4J學習筆記（3） | Main | Google的PageRank演算法學習(2) » August 28, 2003 Google的PageRank演算法學習 據車東在CNBLOG推薦文章，作的學習筆記。 1、PageRank(網頁級別)的概念 互聯網發展早期的搜索引擎，對web頁面的排序，是根據搜索的片語（短語）在頁面中的出現次數（occurence ），並用頁面長度和html標簽的重要性提示等進行權重修訂。鏈接名氣(link popularity)技術通過其它文檔鏈接到當前頁面（inbound links）的鏈接數量來決定當前頁的重要性，這樣可以有效地抵制被人為加工的頁面欺騙搜索引擎的手法。 PageRank計算頁面的重要性，對每個鏈入(inbound)賦以不同的權值，鏈接提供頁面的越重要則此鏈接入越高。當前頁的重要性，是由其它頁面的重要性決定的。 2、PageRank演算法1 PR(A) = (1-d) + d (PR(T1)/C(T1) + ... + PR(Tn)/C(Tn)) 其中：PR(A):頁面A的網頁級別, PR(Ti)：頁面Ti的網頁級別，頁面Ti鏈向頁面A， C(Ti)：頁面Ti鏈出的鏈接數量， d：阻尼系數，取值在0－1之間. 由此可見，1）這個演算法不以站點排序，頁面網頁級別由一個個獨立的頁面決定；2）頁面的網頁級別由鏈向它的頁面的網頁級別決定，但每個鏈入頁面的貢獻的值是不同的。如果Ti頁面中鏈出越多，它對當前頁面A的貢獻就越小。A的鏈入頁面越多，其網頁級別也越高；3）阻尼系數的使用，減少了其它頁面對當前頁面A的排序貢獻。 3、隨機沖浪模型 Lawrence Page 和 Sergey Brin 提出了用戶行為的隨機沖浪模型，來解釋上述演算法。他們把用戶點擊鏈接的行為，視為一種不關心內容的隨機行為。而用戶點擊頁面內的鏈接的概率，完全由頁面上鏈接數量的多少決定的，這也是上面PR(Ti)/C(Ti)的原因。一個頁面通過隨機沖浪到達的概率就是鏈入它的別的頁面上的鏈接的被點擊概率的和。阻尼系數d的引入，是因為用戶不可能無限的點擊鏈接，常常因勞累而隨機跳入另一個頁面。d可以視為用戶無限點擊下去的概率，（1－d）則就是頁面本身所具有的網頁級別。 4、PageRank演算法2（對演算法1的修訂） PR(A) = (1-d) / N + d (PR(T1)/C(T1) + ... + PR(Tn)/C(Tn)) 其中N是互聯網上所有網頁的數量 由此，所有頁面的網頁級別形成的一個概率分布，所有頁面的網頁級別之和是1。在演算法1中，隨機沖浪訪問某個頁面的概率由互聯網的總頁數決定，在演算法2中，網頁級別是一個頁面被隨機訪問的期望值。 以下講解，皆基於演算法1，主要是計算簡單，因為不用考慮N的值。 5、PageRank的特性 所有頁面的網頁級別之和等於互聯網的總頁數。在網頁數比較少的情況下，網頁級別方程可以解出，而面對互聯網上成億的網頁，再解方程是不可能的。 此處設阻尼系數為0.5，雖然Lawrence Page 和 Sergey Brin在實際將其設為0.85. PR(A) = 0.5 + 0.5 PR(C) PR(B) = 0.5 + 0.5 (PR(A) / 2) PR(C) = 0.5 + 0.5 (PR(A) / 2 + PR(B)) 解得： PR(A) = 14/13 = 1.07692308 PR(B) = 10/13 = 0.7692307
9、pagerank演算法可以用來干什麼
目前很多重要的鏈接分析演算法都是在PageRank演算法基礎上衍生出來的。PageRank是Google用於用來標識網頁的等級/重要性的一種方法,是Google用來衡量一個網
10、seo搜索引擎的三大核心演算法
搜索引擎的三大核心演算法：
PageRank演算法、Hilltop演算法和Direct Hit 演算法。