PageRank算法原理与实现

参考 永恒之魂 https://zhuanlan.zhihu.com/p/86004363 讲得非常透彻，感谢！

1、PageRank

1.1.简介

PageRank，又称网页排名、谷歌左侧排名，是一种由搜索引擎根据网页之间相互的超链接计算的技术，而作为网页排名的要素之一，以Google公司创办人拉里·佩奇（Larry Page）之姓来命名。Google用它来体现网页的相关性和重要性，在搜索引擎优化操作中是经常被用来评估网页优化的成效因素之一。

假设一个由4个网页组成的群体：A，B，C和D。如果所有页面都只链接至A，那么A的PR（PageRank）值将是B，C及D的Pagerank总和。

重新假设B链接到A和C，C只链接到A，并且D链接到全部其他的3个页面。一个页面总共只有一票。所以B给A和C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。

1.2.公式

对于一个页面A，那么它的PR值为：

-PR(A) 是页面A的PR值
-PR(Ti)是页面Ti的PR值，在这里，页面Ti是指向A的所有页面中的某个页面
-C(Ti)是页面Ti的出度，也就是Ti指向其他页面的边的个数
-d 为阻尼系数，其意义是，在任意时刻，用户到达某页面后并继续向后浏览的概率，

该数值是根据上网者使用浏览器书签的平均频率估算而得，通常d=0.85

还有一个版本的公式：

N为页面的总数

1.3.具体实例

三个页面A、B、C
为了便于计算，我们假设每个页面的PR初始值为1，d为0.5。

-页面A的PR值计算如下：

-页面B的PR值计算如下：

-页面C的PR值计算如下：

下面是迭代计算12轮之后，各个页面的PR值：

那么什么时候，迭代结束哪？一般要设置收敛条件：比如上次迭代结果与本次迭代结果小于某个误差，我们结束程序运行；比如还可以设置最大循环次数。

2、代码实现

import numpy as np
from scipy.sparse import csc_matrix

def pageRank(G, s=.85, maxerr=.0001):
    """
    Computes the pagerank for each of the n states
    Parameters
    ----------
    G: matrix representing state transitions
    Gij is a binary value representing a transition from state i to j.
    s: probability of following a transition. 1-s probability of teleporting
    to another state.
    maxerr: if the sum of pageranks between iterations is bellow this we will
       have converged.
    """
    n = G.shape[0]
    # 将 G into 马尔科夫 A
    A = csc_matrix(G, dtype=np.float)
    rsums = np.array(A.sum(1))[:, 0]
    ri, ci = A.nonzero()
    A.data /= rsums[ri]
    sink = rsums == 0
    # 计算PR值，直到满足收敛条件
    ro, r = np.zeros(n), np.ones(n)
    while np.sum(np.abs(r - ro)) > maxerr:
    ro = r.copy()
    for i in range(0, n):
          Ai = np.array(A[:, i].todense())[:, 0]
          Di = sink / float(n)
          Ei = np.ones(n) / float(n)
          r[i] = ro.dot(Ai * s + Di * s + Ei * (1 - s))
    # 归一化
    return r / float(sum(r))
if __name__ == '__main__':
# 上面的例子
G = np.array([[0, 0, 1],
         [1, 0, 0],
        [1, 1, 0]])
print(pageRank(G, s=0.85))
# 结果：
[0.51203622 0.19313191 0.29483187]