Pagerank的C实现原理

喜欢ヅ旅行 2022-06-04 01:15 303阅读 0赞

# Pagerank的实现原理 #

## 目录 ##

*  Pagerank的实现原理
    
     *  目录
     *  PageRank背景知识
     *  PageRank简析
        
         *  问题Pagerank是什么
     *  链接关系的矩阵表示形式
        
         *  邻接矩阵G
         *  状态转移概率矩阵Gm
         *  校正基础矩阵D
         *  幂次迭代矩阵A
     *  简单模型的缺点与随机浏览模型
        
         *  简单模型的缺点
         *  随机浏览模型
     *  链接关系在程序中的存储形式
     *  迭代规则和原理
        
         *  为什么要进行幂次迭代
         *  如何进行幂次迭代
     *  迭代在程序中的具体实现

--------------------

## PageRank背景知识 ##

Google早已成为全球最成功的互联网搜索引擎，但这个当前的搜索引擎巨无霸却不是最早的互联网搜索引擎，在Google出现之前，曾出现过许多通用或专业领域搜索引擎。Google最终能击败所有竞争对手，很大程度上是因为它解决了困扰前辈们的最大难题：对搜索结果按重要性排序。而解决这个问题的算法就是PageRank。毫不夸张的说，是PageRank算法成就了Google今天的低位。

最早的搜索引擎采用的是**分类目录**的方法，即通过人工进行网页分类并整理出高质量的网站。那时 Yahoo 和国内的 hao123 就是使用的这种方法。

后来网页越来越多，人工分类已经不现实了。搜索引擎进入了**文本检索**的时代，即计算用户查询关键词与网页内容的相关程度来返回搜索结果。这种方法突破了数量的限制，但是搜索结果不是很好。因为总有某些网页来回地倒腾某些关键词使自己的搜索排名靠前。

于是我们的主角要登场了。没错，谷歌的两位创始人，当时还是美国斯坦福大学 (Stanford University) 研究生的佩奇 (Larry Page) 和布林 (Sergey Brin) 开始了对网页排序问题的研究。他们的借鉴了学术界评判学术论文重要性的通用方法， 那就是看论文的引用次数。由此想到网页的重要性也可以根据这种方法来评价。于是PageRank的核心思想就诞生了，非常简单：

> 如果一个网页被很多其他网页链接到的话说明这个网页比较重要，也就是PageRank值会相对较高.  
> 如果一个PageRank值很高的网页链接到一个其他的网页，那么被链接到的网页的PageRank值会相应地因此而提高.

\*背景知识部分主要参考大佬的博客 [张洋：浅析PageRank算法][PageRank] 和 [刀刀流：PageRank算法–从原理到实现][PageRank 1]

## PageRank简析 ##

### 问题：Pagerank是什么 ###

将各网页之间的链接关系按照下文中的幂次迭代矩阵A形式表示，那么各个网页的PageRank值将组成一个长度为URLNUM的列向量，该列向量就是**矩阵A**的**特征值为1**对应的**特征向量**。

> 即 PagerRank就是幂次迭代矩阵A的特征值为1的特征向量的元素值  
> 即 求解PageRank的值就是求解幂次迭代矩阵A的特征值为1对应的特征向量

\*看到这个结论你可能云里雾里，稀里糊涂。但是请你放心大胆的先记住这个结论，学会使用。如果你想深入了解为什么特征值为1对应的特征向量就是PageRank值，可以参考佩奇和布林的论文。本文暂不做深入解析。

**\*本文后面部分主要解决：1.幂次迭代矩阵A是什么 | 2.如何求解某矩阵特征值为1的特征向量**

## 链接关系的矩阵表示形式 ##

> 我们使用邻接矩阵的方式来表示各网页之间链接关系，可以非常高效和方便，同时也便于理解和计算。本部分以下图为例，主要讲解表示链接关系的邻接矩阵，以及后续计算会用到的各种其他形式的矩阵

![这里写图片描述][SouthEast]  
*设定参与PageRank计算的所有URL数目为URLNUM，该数值可以在从文件中读取网页的时候进行统计。也可以从简单的有向图中进行统计，此处以以上有向图为例，所以URLNUM =4*

*所有网页有固定的编号，从0~URLNUM或者从1~（URLNUM-1），各个网页的链接关系由两个编号表示，例如“ 1 4”表示从编号为1的网页可以连接到编号为4的网页。同时本项目在github上的代码支持从后者编号连接到前者编号对应网页的表示形式。*

### 邻接矩阵G ###

用邻接矩阵表示各个网页之间的链接关系，为了方便迭代中矩阵相乘的运算，要求G\_ij中的某一个元素是从ID= i 的源网页链接到ID= j 的目的网页的关系值。如果有链接关系值为1，如果没有链接关系值为0。换句话来说，行号对应的是**目的网页ID**，而列号对应的是**源网页ID**,且邻接矩阵的大小是URLNUM x URLNUM.  
![这里写图片描述][SouthEast 1]

### 状态转移概率矩阵Gm ###

设定每一个网页的pagerank初始值为1，那么由该网页链接出linkOutNum个网页，每个网页获得的pagerank值为1/linkOutNum。将**邻接矩阵**当中的**非零元素值**都进行这样的计算之后再替换原本所有的1。状态转移概率矩阵的大小也为URLNUM x URLNUM.  
![这里写图片描述][SouthEast 2]

### 校正基础矩阵D ###

为了避免link seal等问题，需要根据公式进行校正。如果，那么就会有一个校正基础矩阵D，与邻接矩阵叠加形成最后参与幂次迭代矩阵A。校正基础矩阵的每一个元素都等于1/URLNUM，且大小为URLNUM x URLNUM.  
![这里写图片描述][SouthEast 3]

### 幂次迭代矩阵A ###

校正基础矩阵D与概率转移矩阵Gm按照如下图中的公式叠加形成参与幂次迭代的矩阵A。且该幂次迭代矩阵A大小为URLNUM x URLNUM.  
![这里写图片描述][SouthEast 4]

\*看完各种矩阵，可能会和我当初学习的时候一样疑惑，这都什么！都有什么用！上述所有的矩阵中，秉持一个原则

> 参与后续计算的矩阵只有最后的幂次迭代矩阵A，其他的矩阵都是计算矩阵A的辅助过程

\*当然，还有很多博客使用如下的公式直接从概率转移矩阵Gm求解出参与幂次迭代的矩阵A。总而言之，不管任何方法，只要能正确求出矩阵A都是可以的。本文中引入校正基础矩阵D，主要是为了更清晰的展示矩阵A的生成过程。  
![这里写图片描述][SouthEast 5]

## 简单模型的缺点与随机浏览模型 ##

### 简单模型的缺点 ###

简单模型就是简单分配每个网页的PageRank值，将所有链接关系通过邻接矩阵表示出来的Gm。它是存在rank leak和rank sink的缺点，无法用来进行计算。  
![这里写图片描述][SouthEast 6]  
上述的迭代是指初始的PageRank列向量与矩阵Gm不断相乘，得到新的PageRank的过程，发现节点A只有出度链接，没有入度链接，该节点A在迭代过程中，其PageRank值会变成0，这显然是不符合实际的。

![这里写图片描述][SouthEast 7]  
上述展示的是Rank sink的问题，即如果存在只有入度链接而没有出度链接的节点时，经过多次迭代之后，各个节点的PageRank值都会变成0，这显然也是不符合实际的。

\*图片来源：[苹果9090的博客][9090] 该博客在简单模型和随机浏览模型的辨析上写的非常详细，如果对这部分内容不理解，可以参考这篇博文。  
\*大佬的这篇博客[PageRank算法简介及Map-Reduce实现][PageRank_Map-Reduce] 中对简单模型的缺点也进行了详细的解析，其中提到终止点问题和陷阱问题就对应本文的Rank Leak问题。

> 上述的问题也说明了，利用简单模型的Gm求解特征向量是不可行的，需要进行改进

### 随机浏览模型 ###

用户的浏览行为其实不仅仅只是浏览某个页面，然后点击该页面中的某个链接，进行下一个页面访问。有时候用户浏览完某个页面之后，会随机浏览另外的页面，而不是根据该页面的链接。因此PageRank随机浏览模型更贴近用户的行为方式。具体的内容可以仔细查看下图，对随机浏览模型进行了详细的解释，同时也回到了前面矩阵表示的相关问题。

![这里写图片描述][SouthEast 8]

其实，随机浏览模型相对于简单模型而言，该模型更加符合用户的行为，同时解决了Rank Leak和Rank Sink的问题，保证了算法收敛的唯一性。

## 链接关系在程序中的存储形式 ##

> 当参与PageRank计算的网页数目达到百万级甚至更大的时候，无法将二维的矩阵直接通过二维的数组进行完整的存储的时候，可以考虑使用稀疏矩阵来存储。本文主要讲解COO稀疏矩阵。

链接关系在程序中用邻接矩阵表示，但是考虑邻接矩阵中零元素很多，可以采用稀疏矩阵存储。本项目中采用**COO稀疏矩阵**模式，用行数组、列数组和value数组三个数组，将非零元素的位置(行、列)和值(value)存储下来。  
![这里写图片描述][SouthEast 9]

在存储幂次迭代矩阵A的时候，发现矩阵A中没有零元素，但是依旧可以使用该COO稀疏矩阵进行存储矩阵A。因为原本Gm中**所有零元素的位置**在叠加校正基本矩阵A之后，**值统一都是**(1-α)/URLNUM。可以将除该值之外的其他元素视为非零元素存储在稀疏矩阵中，所有值为(1-α)/URLNUM都视作“零元素”而不需要存储，我们可以默认知道所有没有存在稀疏矩阵中的元素的值都等于(1-α)/URLNUM，就像原本默认没有存在稀疏矩阵中的元素的值都是零一样。

值得注意的是，由于邻接矩阵中行号标识目的网页ID，列号标识源网页ID。所以COO稀疏矩阵中，行数组存储邻接矩阵中非零元素位置的行号，即存储的都是目的网页ID；列数组存储该非零元素的列号，即存储的都是源网页ID； value数组用来存储这个非零元素的值。并且，行数组、列数组和value数组的同一位置元素值，刚好可以还原一个非零元素的位置信息和值信息。那么，容易知道行数组和列数组应该定义为int类型，而value数组应该定义为float类型。

## 迭代规则和原理 ##

> 本文的前面的部分主要解决了关于矩阵A的求解的问题，后面部分开始讲解求矩阵A的特征向量。

该小节主要解析两个问题：1.为什么要进行幂次迭代；2.如何进行幂次迭代。

### 为什么要进行幂次迭代 ###

首先再次强调，要知道所谓的各个网页的pagerank值，其实是关于矩阵A的特征值为1的特征向量。要求pagerank值就是要求特征向量。求解特征向量的计算规模是O(n^3)，也就是求得慢同时还有可能求不准。所以只能采用迭代的方式，最终迭代出收敛的特征向量，也即待求的pagerank数组。

\*当然，除了幂次迭代的方式之外，还有很多其他的方法可以求解特征向量，但是幂法是最经典的一种方法，本文仅介绍该方法。

\*随机浏览模型保证了幂法的可用性，即迭代一定会收敛。所以要用幂法迭代，就要使用随机概率模型对应的幂次迭代矩阵A。

\*如果想了解幂法背后的数学原理，可以参考 [真实的归宿：PageRank算法概述][PageRank 2] 中第4部分 PageRank幂法计算。

### 如何进行幂次迭代 ###

迭代初始向量PageRank\[URLNUM\]与幂次迭代矩阵A相乘，直到满足精度条件。即

> LastRank\[ URLNUM \] = PageRank\[URLNUM\]
> 
> PageRank\[URLNUM\] = A× LastRank \[ URLNUM \]

***Until*** |PageRank\[URLNUM\] – LastRank\[URLNUM\]| < limitation

方阵和列向量的相乘获得一个新的列向量，新列向量的第i个元素值就是方阵的每i行与原列向量的第i个相乘累加求得。

两个向量之间的距离就是各个元素之间距离平方累加求和之后，再对和开方求得

\*在[张洋：浅析PageRank算法][PageRank] 中使用了另外一种基于矩阵Gm进行迭代方式，无需计算幂次迭代矩阵A，而是在每次迭代的计算中直接叠加一个列向量。如果对矩阵的计算比较熟悉，该列向量就相当于校正基本矩阵A与PageRank列向量相乘得到的列向量，可以发现它的方法与基于矩阵A做迭代背后的思想和结果都一样。如果感兴趣，可以了解一下。不感兴趣，可以依旧沿着之前理解继续做，没有任何应用上的影响。个人认为，按照本文随机浏览模型中蓝色的线代表校正基础矩阵A部分，红色线代表转移概率矩阵Gm部分，更容易理解，在计算的时候也更方便处理。

## 迭代在程序中的具体实现 ##

> 如果采用稀疏矩阵进行链接关系的存储，可以采用本部分的迭代操作。如果采用简单的二维数组完整的存储了所有的链接关系，可以依次取行和列向量计算迭代。本小节主要针对COO稀疏矩阵下的高效迭代

在程序具体实现矩阵相乘迭代过程中，首先将所有元素点都按照无链接关系处理，完成一部分累加。然后遍历COO数组，将有链接关系的点重新累加到迭代关系中，同时减去原本该位置按照无链接关系处理时的累加值。最终即可得到完成所有累加操作的pagerank数组。操作过程及原因见下图：

![矩阵相乘迭代累加原理][SouthEast 10]

> 本文代码已经放在[https://github.com/dragon-wl/PageRank][https_github.com_dragon-wl_PageRank]，代码经测试可用，使用说明和注释已经在代码中标注。欢迎小伙伴们随时交流（403537257@qq.com）~

[PageRank]: http://blog.jobbole.com/23286/
[PageRank 1]: http://blog.csdn.net/rubinorth/article/details/52215036
[SouthEast]: /images/20220604/18c47b3fceaf406db319b86ef1b92a2f.png
[SouthEast 1]: /images/20220604/529f39920ea34958a26e47ea16b6332b.png
[SouthEast 2]: /images/20220604/8dd664acc37946148a2c8d8f9c374294.png
[SouthEast 3]: /images/20220604/df4a011d2c804dacbaf3641459334b60.png
[SouthEast 4]: /images/20220604/380fbf9f100f4883b182435c35b2bda6.png
[SouthEast 5]: /images/20220604/1026089cd15e4cc0b7ea648ec17720be.png
[SouthEast 6]: /images/20220604/af5b694ef55a4950a38ff271f9f89d45.png
[SouthEast 7]: /images/20220604/7f614c5a500a40e2841f169f294700a4.png
[9090]: http://blog.csdn.net/liping_nju/article/details/24910495
[PageRank_Map-Reduce]: http://blog.jobbole.com/71431/
[SouthEast 8]: /images/20220604/fa6f62e145d44fc8a518421f1e1a57f0.png
[SouthEast 9]: /images/20220604/e262fe37cb9042d2af56108cb767be9f.png
[PageRank 2]: http://blog.csdn.net/hguisu/article/details/7996185
[SouthEast 10]: /images/20220604/0e2843018dfd40898a9f7b10e747b00f.png
[https_github.com_dragon-wl_PageRank]: https://github.com/dragon-wl/PageRank