在介绍了PageRank及其公式之后，我们讨论了求解PageRank的方法。我们提出了求解图的随机邻接矩阵(即PageRank)的主特征向量的幂次迭代方法。此外，我们在之前的PageRank实现中引入了两个问题:死角（dead ends）(没有外部链接的节点)和蜘蛛陷阱（spider traps）(没有外部链接的节点组)。为了解决这些问题，我们提出了随机均匀传送（random uniform teleportation）的想法，并揭示了谷歌矩阵，用于利用功率迭代来解决PageRank，同时避免了所提出的问题。
文章目录
- 1. PageRank计算方法
- 2. 三个核心问题
- 3. 两个问题：
- 3.1 蜘蛛陷阱（Spider traps）
- 3.2 终端（Dead end）
- 3.3 问题原理
- 3.4 Random Teleports
- 4. 可视化
- 5. 总结
1. PageRank计算方法
计算方法叫做：power iteration：
步骤：
- 初始化： r 0 = [ 1 / N , … , 1 / N ] T r^0=[1/N,\ldots,1/N]^T r0=[1/N,…,1/N]T
- 迭代： r ( t + 1 ) = M ⋅ r t r^{(t+1)}=M·r^t r(t+1)=M⋅rt
- 停止： ∣ r ( t + 1 ) − r t ∣ 1 < ϵ |r^{(t+1)}-r^t|_1<\epsilon ∣r(t+1)−rt∣1<ϵ
举例：
2. 三个核心问题
3. 两个问题：
3.1 蜘蛛陷阱（Spider traps）
解决方法：
3.2 终端（Dead end）
解决方法：
3.3 问题原理
3.4 Random Teleports
矩阵形式：
举例：
4. 可视化
5. 总结
