要提升網站的pagerank值…介紹pagerank值（搜尋引擎排名教學）

要提升網站的pagerank值…介紹pagerank值（搜尋引擎排名教學）

PageRank讓連結來"投票"

一個頁面的「得票數」由所有鏈向它的頁面的重要性決定。一個頁面的「得票數」由所有鏈向它的頁面的重要性決定。 到一個頁面的超連結相當於對該頁投一票。到一個頁面的超連結相當於對該頁投一票。 一個頁面的PageRank 是由所有鏈向它的頁面（「鏈入頁面」）的重要性經由遞歸算法得到的。一個頁面的PageRank是由所有鏈向它的頁面（「鏈入頁面」）的重要性經由遞歸算法得到的。 一個有很多鏈入的頁面會有很高的等級，相反如果一個頁面沒有任何鏈入頁面，那麼它沒有等級。一個有很多鏈入的頁面會有很高的等級，相反如果一個頁面沒有任何鏈入頁面，那麼它沒有等級。

2005年初，Google 為網頁連結推出一項新屬性nofollow ，令網站管理員和網志作者可以做出一些Google 不會計算為投票的連結；這些連結不算作"投票"。 2005年初，Google為網頁連結推出一項新屬性nofollow ，令網站管理員和網誌作者可以做出一些Google不會計算為投票的連結；這些連結不算作"投票"。 nofollow 的設定可以抵制評論垃圾。 nofollow的設定可以抵制評論垃圾。

Google 工具條上的PageRank 從0 到10。 Google工具條上的PageRank從0到10。 它似乎是一個對數標度算法。它似乎是一個對數標度算法。 這個算法的細節是不明的。這個算法的細節是不明的。 PageRank是Google 的商標，PageRank 技術已經申請專利 。 PageRank是Google的商標，PageRank技術已經申請專利 。

PageRank 算法中的點閱算法是由Jon Kleinberg提出的。 PageRank算法中的點閱算法是由Jon Kleinberg提出的。

[ 編輯 ] PageRank算法 [ 編輯 ] PageRank算法

[ 編輯 ] 簡單的 [ 編輯 ] 簡單的

假設一個由4個頁面組成的小團體： A ， B ， C和D 。假設一個由4個頁面組成的小團體： A ， B ， C和D 。 如果所有頁面都鏈向A ，那麼A的PR （PageRank）值將是B ， C及D的和。如果所有頁面都鏈向A ，那麼A的PR （PageRank）值將是B ， C及D的和。

    P R ( A ) = P R ( B ) + P R ( C ) + P R ( D ) P R ( A ) = P R ( B ) + P R ( C ) + P R ( D )

繼續假設B也有連結到C ，並且D也有連結到內含A的3個頁面。繼續假設B也有連結到C ，並且D也有連結到內含A的3個頁面。 一個頁面不能投票2次。一個頁面不能投票2次。 所以B給每個頁面半票。所以B給每個頁面半票。 以同樣的邏輯 ， D投出的票只有三分之一算到了A的PageRank 上。以同樣的邏輯 ， D投出的票只有三分之一算到了A的PageRank上。

    PR(A)= frac{PR(B)}{2}+ frac{PR(C)}{1}+ frac{PR(D)}{3}

換句話說，根據鏈處總數平分一個頁面的PR值。換句話說，根據鏈處總數平分一個頁面的PR值。

    PR(A)= frac{PR(B)}{L(B)}+ frac{PR(C)}{L(C)}+ frac{PR(D)}{L(D)}

最後，所有這些被換算為一個百分比再乘上一個係數q 。最後，所有這些被換算為一個百分比再乘上一個係數q 。 由於下面的算法，沒有頁面的PageRank會是0。由於下面的算法，沒有頁面的PageRank會是0。 所以，Google通過數學系統給了每個頁面一個最小值1 ? q 。所以，Google通過數學系統給了每個頁面一個最小值1 ? q 。

    PR(A)=left( frac{PR(B)}{L(B)}+ frac{PR(C)}{L(C)}+ frac{PR(D)}{L(D )}+,cdots ight) q + 1 – q

所以一個頁面的PageRank 是由其他頁面的PageRank計算得到。所以一個頁面的PageRank是由其他頁面的PageRank計算得到。 Google 不斷的重複計算每個頁面的PageRank。 Google不斷的重複計算每個頁面的PageRank。 如果您給每個頁面一個隨機PageRank 值（非0），那麼經由不斷的重複計算，這些頁面的PR 值會趨向於標準和穩定。如果您給每個頁面一個隨機PageRank值（非0），那麼經由不斷的重複計算，這些頁面的PR值會趨向於標準和穩定。 這就是搜尋引擎使用它的原因。這就是搜尋引擎使用它的原因。

[ 編輯 ] 完整的 [ 編輯 ] 完整的

這個方程式引入了隨機瀏覽的概念，即有人上網無聊隨機開啟一些頁面，點一些連結。這個方程式引入了隨機瀏覽的概念，即有人上網無聊隨機開啟一些頁面，點一些連結。 一個頁面的PageRank值也影響了它被隨機瀏覽的概率。一個頁面的PageRank值也影響了它被隨機瀏覽的概率。 為了便於理解，這裡假設上網者不斷點網頁上的連結，最終到了一個沒有任何鏈出頁面的網頁，這時候上網者會隨機到另外的網頁開始瀏覽。為了便於理解，這裡假設上網者不斷點網頁上的連結，最終到了一個沒有任何鏈出頁面的網頁，這時候上網者會隨機到另外的網頁開始瀏覽。

為了對那些有鏈出的頁面公平， q = 0.15 ( q的意義見上文)的算法被用到了所有頁面上, 估算頁面可能被上網者放入書籤的概率。為了對那些有鏈出的頁面公平， q = 0.15 ( q的意義見上文)的算法被用到了所有頁面上,估算頁面可能被上網者放入書籤的概率。

所以，這個等式如下:

    { m PageRank}(p_i) = frac{q}{N} + (1 -q) sum_{p_j} frac{{ m PageRank} (p_j)}{L(p_j)}

p 1 , p 2 ,…, p N是被研究的頁面， M ( p i )是鏈入p i頁面的數量， L ( p j )是p j鏈出頁面的數量，而N是所有頁面的數量。 p 1 , p 2 ,…, p N是被研究的頁面， M ( p i )是鏈入p i頁面的數量， L ( p j )是p j鏈出頁面的數量，而N是所有頁面的數量。

PageRank值是一個特殊矩陣中的特徵向量。 PageRank值是一個特殊矩陣中的特徵向量。 這個特徵向量為這個特徵向量為

    mathbf{R} = egin{bmatrix} { m PageRank}(p_1) { m PageRank}(p_2) vdots { m PageRank}(p_N) end{bmatrix}

R是等式的答案

    mathbf{R} = egin{bmatrix} {q / N} {q / N} vdots {q / N} end{bmatrix} + (1-q) egin{bmatrix} ell(p_1,p_1) & ell(p_1,p_2) & cdots & ell(p_1,p_N) ell(p_2,p_1) & ddots & & vdots & & ell(p_i
,p_j) & ell(p_N,p_1) & & & ell(p_N,p_N) end{bmatrix} mathbf{R}

如果p j不鏈向p i , 而且對每個j都成立時，如果p j不鏈向p i ,而且對每個j都成立時， ell(p_i,p_j) 等於0等於0

    sum_{i = 1}^N ell(p_i,p_j) = 1,

這項技術主要的弊端是，舊的頁面等級會比新頁面高，因為新頁面，即使是非常好的頁面，也不會有很多連結，除非他是一個網站的子網站。這項技術主要的弊端是，舊的頁面等級會比新頁面高，因為新頁面，即使是非常好的頁面，也不會有很多連結，除非他是一個網站的子網站。

這就是PageRank 需要多項算法結合的原因。這就是PageRank需要多項算法結合的原因。

Google PageRank是Google給網頁的計分機制，透過這個機制Google就能決定哪個網頁可能比較重要，比較是人們想要找的。
官方說法如下：

    PageRank 如同個別網頁價值的指示器，透過龐大的連結架構來信賴網站獨特地民主性質。簡單來說，Google 說明網頁 A 連結至網頁 B 時，則視為網頁 A 投給網頁 B 一票。當然，Google 會檢視票數來源，或是連結網頁接收的票數；同時它也會分析參予投票的網頁。透過「重要的」網頁來參予投票，並且說明其它的網頁也成為「重要的」網頁資料。

    重要、優質的網站會得到較高的 PageRank，同時 Google 會記住每次所處理的查詢情況。當然，如果查詢出來的網頁結果並不符合您的需求，重要的網頁對您也不具任何意義。因此，Google 將 PageRank 和精密的內文比對技術結合，來找出重要並且與您的查詢關聯的網頁。Google 會將出現於網頁上的字詞顯示出來，並且檢查所有的網頁內容﹝及連結到此網頁的其他網頁內容﹞以決定這樣的查詢結果是否最符合您的需求。

有趣的是許多可以查詢PageRank的工具或網頁，會給你一個1 ～10分的數字，數字越高也就是rank越高；但到底幾分背後，象徵著什麼意義？

以下是我從國外網站看來的簡單文字描述，希望讓讀者們對於這些抽像數字可以有較具體的感覺。

PageRank 0～2
表示目前未有太多外部連結連到這個網站；但這不意味你的網站在Google那邊排名就一定名落孫山。假如您討論的主旨夠專，範圍夠狹窄，還是很有可能網友在Google上面搜尋時，您可以排名在很前面。

PageRank 3
一般經營兩年以上的網站多能達到這個成績；這是很不錯的成績，但是在熱門搜尋領功能變數裡肯定還排不上邊。

PageRank 4
能達到這個數字，已經證明連結到您的網站外部連結「質」、「量」俱佳。所謂量容易瞭解，而「質」則是指反向連結本身的PageRank也相當高。

PageRank 5
這表示有不少「具權威性」的重量級網站，連結到您的網站；通常Google內定會有一些他們特別重視的大站，如果你能取得這些網站的連結分數就會飆很快。大概此時您的網頁內容在搜尋引擎排行上就有蠻不錯的表現。

PageRank 6
據說能突破5到6的網站非常少，從這裡開始您的網站已經進入另外一個不同的境界。除了您的反向連結夠多也夠重量之外，事實上您自己的網站也堂堂是個「很有份量」的大站！

PageRank 7～10
從這裡開始可以算是「神之領功能變數」了。小弟看過數字上到這的網站，多半是紐約時報（New York Times）、Apple.com、Yahoo.com…這種「想當然爾」的大站。台灣的聯合報、自由時報、中國時報三大報網站的PageRank也只有 6；顯見要進入這個領功能變數有多麼不容易。個人Blog要達到這個分數，我猜應該是近乎不可能的任務。除非真把Blog當事業，整天衝刺打拼。

要注意的是PageRank跟網站流量不一定有正關聯，也就是說您的網站可能流量不高，但憑藉著專業性夠，在該領功能變數社群裡面很多人認可提供連結，也能造就您極高的PageRank。
因此對廣告主來說，依流量放廣告有時候不一定比依PageRank放廣告來得有效益，原因在於後者有較低的資訊交易成本。
特別是當廣告對象也是小眾時，那在PageRank高的小眾網站上投放廣告很可能有驚人的成效。