谷歌的PageRank算法 原理是什么，google算法解释
前几天，来自Mrigestic的Dixon Jones在Twitter上分享了PageRank是如何具体工作的、最贴合实际的解释。
我们知道，截至2017年，虽然PageRank在2016年被谷歌取消，但它仍然是整个排序算法的重要组成部分，因此值得我们重视。
在这个迭代中，页面的页面等级等于1减去一个阻尼因子，另外，对于进入页面的每个链接（除了链接本身），添加该页面的页面等级除以页面上的出站链接的数量，然后减去阻尼因子。
在这一点上，琼斯在视频中前进到一个更简单，仍然有用的计算版本。他分享出Excel，一个简单的5节点，并在15次迭代中绘制出排名算法。
下面是最初PageRank计算方法的定义标准：
“学术引用文献已被应用于Web，主要通过引用或反向链接到指定页面。这给出了页面的重要性。PageRank通过不平等地计算所有页面的链接，并通过页面上的链接的数量来正常化来扩展这一思想。PageRank定义如下：
PageRank或PR(A)可以使用简单的迭代算法来计算，并且对应于网络的链接矩阵的主特征。此外，2600万个网页的PageRank可以在几个小时内在不同网站上同时计算。还有许多其他的细节在这不一一阐述。
PR算法公式：
PR（A）=（1-D）+D（PR（T1）/C（T1）+…+PR（Tn）/C（Tn））
注意，这与上面的图片相同，只是照片通过替换大写sigma()来简化方程的第二部分，大写sigma()是数学求和的符号，即，对所有页1至n执行此公式，然后将它们相加。
为了计算指定页面A的PageRank，我们首先取1减去阻尼因子（D）。D通常被设置为85，如他们的原始论文中所见。
然后，我们取所有指向页面的PageRanks，将它们加起来，乘以0.85的阻尼因子。
PageRank是一种迭代算法
显然，特征向量在微分方程中起着非常重要的作用。前缀“eigen”来自德语，用于“.”或“.”。这里也存在特征值和特征方程。
正如Rogers在他关于PageRank的经典论文中所指出的，对于我们来说，关于特征向量最大的收获就是它是一种数学，让你处理多个动态部分。“我们可以在不知道其他页面PR的最终值的情况下，计算页面的PageRank。这似乎很奇怪，但基本上，每次我们通过计算，得到一个更接近的最终价值的估计值。所以我们需要做的就是记住我们计算的每个值，并多次重复计算，直到数字不再变化很大。”
或者换句话说，特征向量的重要性是PageRank是一个迭代算法。重复计算次数越多，就越接近最准确的数字。
