PageRank

PageRank Matematik untuk rangkaian mudah, dinyatakan sebagai peratusan. (Google menggunakan skala logaritma.) Page C mempunyai PageRank yang lebih tinggi daripada Page E, walaupun terdapat pautan yang lebih sedikit kepada C; satu pautan ke C berasal dari halaman penting dan oleh itu nilai yang tinggi. Sekiranya pelayar web yang memulakan halaman rawak mempunyai kemungkinan 85% memilih pautan rawak dari halaman yang sedang mereka lawati, dan 15% kemungkinan melompat ke halaman yang dipilih secara rawak dari seluruh web, mereka akan mencapai Page E 8.1% daripada masa. (Kemungkinan besar 15% melompat ke halaman sewenang-wenangnya sepadan dengan faktor redaman sebanyak 85%.) Tanpa redaman, semua pelayar web akhirnya akan berakhir di Halaman A, B, atau C, dan semua halaman lain akan mempunyai PageRank sifar. Di hadapan redaman, Page A berkesan menghubungkan ke semua halaman di web, walaupun ia tidak mempunyai pautan keluar sendiri.

PageRank (PR) merupakan algoritma yang digunakan oleh Carian Google untuk pangkat laman web dalam keputusan enjin carian mereka. PageRank dinamakan sempena Larry Page,[1] salah seorang pengasas Google. PageRank ialah cara untuk mengukur kepentingan halaman laman sesawang. Menurut Google:

PageRank berfungsi dengan mengira bilangan dan kualiti pautan ke halaman untuk menentukan anggaran kasar betapa pentingnya laman web tersebut. Andaian mendasari adalah bahawa laman web yang lebih penting mungkin menerima lebih banyak pautan dari laman web lain.[2]

Kini, PageRank bukan satu-satunya algoritma yang digunakan oleh Google bagi mencari hasil keputusan, namun ia merupakan algoritma yang pertama telah digunakan oleh syarikat, dan ia lebih dikenali.[3][4]

Rujukan

Petikan

  1. ^ "Google Press Center: Fun Facts". www.google.com. Diarkibkan daripada yang asal pada 2001-07-15.
  2. ^ "Facts about Google and Competition". Diarkibkan daripada yang asal pada 4 November 2011. Dicapai pada 12 July 2014.
  3. ^ Sullivan, Danny. "What Is Google PageRank? A Guide For Searchers & Webmasters". Search Engine Land. Diarkibkan daripada yang asal pada 2016-07-03. Unknown parameter |dead-url= ignored (bantuan)
  4. ^ Cutts, Matt. "Algorithms Rank Relevant Results Higher". www.google.com. Diarkibkan daripada yang asal pada July 2, 2013. Dicapai pada 19 October 2015. Unknown parameter |dead-url= ignored (bantuan)

Sumber

  • Altman, Alon; Moshe Tennenholtz (2005). "Ranking Systems: The PageRank Axioms" (PDF). Proceedings of the 6th ACM conference on Electronic commerce (EC-05). Vancouver, BC. http://www.eecs.harvard.edu/cs286r/courses/fall11/papers/AT%2705.pdf. Diperolehi 29 September 2014.
  • Cheng, Alice; Eric J. Friedman (2006-06-11). "Manipulability of PageRank under Sybil Strategies" (PDF). Proceedings of the First Workshop on the Economics of Networked Systems (NetEcon06). Ann Arbor, Michigan. http://www.cs.duke.edu/nicl/netecon06/papers/ne06-sybil.pdf. Diperolehi 2008-01-22.
  • Farahat, Ayman; LoFaro, Thomas; Miller, Joel C.; Rae, Gregory; Ward, Lesley A. (2006). "Authority Rankings from HITS, PageRank, and SALSA: Existence, Uniqueness, and Effect of Initialization". SIAM Journal on Scientific Computing. 27 (4): 1181–1201. doi:10.1137/S1064827502412875.
  • Haveliwala, Taher; Jeh, Glen; Kamvar, Sepandar (2003). "An Analytical Comparison of Approaches to Personalizing PageRank" (PDF). Stanford University Technical Report. http://www-cs-students.stanford.edu/~taherh/papers/comparison.pdf.
  • Langville, Amy N.; Meyer, Carl D. (2003). "Survey: Deeper Inside PageRank". Internet Mathematics. 1 (3).
  • Langville, Amy N.; Meyer, Carl D. (2006). Google's PageRank and Beyond: The Science of Search Engine Rankings. Princeton University Press. ISBN 0-691-12202-4.
  • Richardson, Matthew; Domingos, Pedro (2002). "The intelligent surfer: Probabilistic combination of link and content information in PageRank" (PDF). Proceedings of Advances in Neural Information Processing Systems. 14. http://www.cs.washington.edu/homes/pedrod/papers/nips01b.pdf.

Paten relevan

  • Original PageRank U.S. Patent—Method for node ranking in a linked database—Patent number 6,285,999—September 4, 2001
  • PageRank U.S. Patent—Method for scoring documents in a linked database—Patent number 6,799,176—September 28, 2004
  • PageRank U.S. Patent—Method for node ranking in a linked database—Patent number 7,058,628—June 6, 2006
  • PageRank U.S. Patent—Scoring documents in a linked database—Patent number 7,269,587—September 11, 2007

Pautan luar

  • Algorithms by Google
  • Our products and services by Google
  • How Google Finds Your Needle in the Web's Haystack by the American Mathematical Society
  • l
  • b
  • s
Google
Sekilas
  • Alphabet Inc.
  • Sejarah
  • Penggabungan dan pemerolehan
  • Produk
  • Kritikan
    • Kebimbangan privasi
  • Penapisan
  • Telur Easter
  • Don't be evil
Pengiklanan
  • AdMob
  • Adscape
  • Ads
  • Ad Manager
  • AdSense
  • Analytics
  • Contributor
  • Partners
Komunikasi
Perisian
Sistem pengendalian
Bahasa pengaturcaraan
  • Dart
  • Go
  • Sawzall
Platform
Perkakas
Alat pembangunan
Penerbitan
Garis masa carian
Algoritma
Ciri-ciri
Analisis
Ditamatkan
Lain-lain
Peristiwa
Hartanah
Logo
Orang
Pengasas
Berkaitan
  • AI Challenge
  • Bomb
  • GmailFS
  • "Google: Behind the Screen" (dokumentari 2006)
  • Google: The Thinking Factory (dokumentari 2008)
  • Google and the World Brain (dokumentari 2013)
  • Goojje
  • Jalan Raya Bandar Monopoli
  • Unity
  • Kategori Kategori
  • Portal Portal