我是一名对开发搜索引擎以对来自我的国家/地区的网页编制索引的学生感兴趣。我一直在研究要使用一段时间的算法，并且确定HITS和PageRank是目前最好的算法。我决定使用PageRank，因为它比HITS算法更稳定（或者我已经读过）。
我发现了无数与PageRank相关的文章和学术论文，但是我的问题是我不理解构成这些算法的算法的大多数数学符号。具体来说，我不了解Google矩阵（不可约的随机矩阵）是如何计算的。
我的理解是基于这两篇文章：
有人可以用较少的数学符号提供基本的解释（例如例子）吗？
提前致谢。
在引用的文件的第4页上定义的PageRank的正式定义，在数学方程式中以有趣的“ E”符号表示（实际上是大写的Sigma希腊字母。Sigma是此处的字母“ S”为 求和 ）。
简而言之，该公式表示 要计算页面X的PageRank …
对于此页面的所有反向链接（=链接到X的所有页面） 您需要计算一个值 链接到X [R'（v）]的页面的PageRank 除以 在此页面上找到的链接数。[Nv] 您添加到 一些“等级来源”，[E（u）]由c归一化 （我们稍后将达到目的。） 您需要将所有这些值的总和[Sigma事情] 最后，将其乘以一个常数[c] （此常数只是为了保持PageRank的范围可管理）
该公式的关键思想是 链接到给定页面X的所有网页都为其“价值”增加价值。通过链接到某些页面，他们“投票”赞成该页面。但是，此“投票”的权重或多或少取决于两个因素：
这两个因素反映出非常直观的想法：
正如您所注意到的，该公式利用了 某种循环引用 ，因为要知道X的页面范围，您需要知道链接到X的所有页面的PageRank。然后如何计算这些PageRank值？在文档部分中介绍的下一个收敛问题。
本质上，对于所有页面，从一些“随机”（或最好是“合理的猜测”）PageRank值开始，并通过使用上述公式计算PageRank，新的计算值将变得“更好”，因为您对此过程进行了一些迭代这些值会 收敛 ，即它们每个都越来越接近实际/理论值，因此，通过迭代足够的时间，我们可以得出一个时刻，即附加迭代不会为该函数提供的值增加任何实际精度。最后一次迭代。
现在…从理论上讲，这很好而且很花哨。诀窍是将该算法转换为等效算法，但可以更快地完成。有几篇论文描述了如何完成此任务以及类似的任务。我暂时没有这些参考，但是稍后会添加。当心它们确实会涉及线性代数的健康剂量。
编辑： 如所承诺的，以下是有关计算页面排名的算法的一些链接。 PageRank Haveliwala的高效计算1999 /// 利用网络的块结构进行计算PR Kamvar etal 2003 /// 一种用于计算PageRank Lee的快速两阶段算法。2002年
尽管上面提供的链接的许多作者都来自斯坦福，但不久之后就意识到，寻求像PageRank一样的高效计算是研究的热点。我意识到这种材料超出了OP的范围，但重要的是要暗示一个事实，即基本算法不适用于大型网站。
为了以易于访问的文本结尾（但还有许多指向深入信息的链接），我想提及Wikipedia的精彩文章
如果您对此类事情很认真，则可以考虑数学的入门/复习课程，尤其是线性代数，以及通常处理图形的计算机科学课程。顺便说一句，迈克尔·多夫曼（Michael Dorfman）在这篇文章中对OCW的1806年演讲视频提出了很好的建议。
我希望这能有所帮助…
