TrustRank算法

TrustRank算法
    TrustRank算法最初来自于2004年斯坦福大学和雅虎的一项联合研究，用来检测垃圾网站，并且于2006年申请专利。TrustRank算法发明人还发表了一份专门的PDF文件，说明TrustRank算法的应用。感兴趣的读者可以在下面这个网址下载PDF文件：

    http://www.vldb.org/conf/2004/RS15P3.PDF
    TrustRank算法并不是由Google提出的，不过由于Google所占市场份额最大，而且TrustRank在Google排名中也是一个非常重要的因素，所以有些人误以为TrustRank是Google提出的。更让人糊涂的是，Google曾经把TrustRank申请为商标，但是TrustRank商标中的TrustRank指的是Google检测含有恶意代码网站的方法，而不是指排名算法中的信任指数。

    基于这个假设，如果能挑选出可以百分百信任的网站，这些网站的TrustRank评为最高，这些trustrank最高的网站所连接的网站信任指数稍微降低，但也会很高。与此类似，第二层别信任的网站链接出去的第三层网站，信任度继续下降。由于种种原因，好的网站也不可避免的会接到一些垃圾网站，不过离第一层网站点击距离越近，所传递的信任指数就越高，第一级网站点击距离越远，信任指数将依次下降。这样trustrank算法，就能给所有网站计算出相应的信任指数，离第一层网站越远，成为垃圾网真的可能性就越大。

    计算TrustRank值首先要选择一批种子网站，然后人工查看网站，设定一个初始TrustRank值。挑选种子网站有两种方式，一种是选择导出链接最多的网站，因为TrustRank算法就是计算指数随着导出链接的衰减，导出链接多的网站，在某种意义上可以理解为“逆向PR值”比较高。

    另一种挑选种子网站的方法是选PR值高的网站，因为PR值越高，在搜索结果页面出现的概率就越大，这些网站才正是TrustRank算法最关注的、需要调整排名的网站，那些PR值很低的页面，在没有TrustRank算法时排名也很靠后，计算TrustRank意义就不大了。

    根据测算，挑选出两百个左右网站作为种子，就可以比较精确地计算出所有网站的
TrustRank值。

    计算TrustRank随链接关系减少的公式有两种方式。一种是随链接次数衰减，也就是说如果第一层页面TrustRank指数是100，第二层页面衰减为90，第三层衰减为80。第二种计算方法是按导出链接数目分配TrustRank值，也就是说，如果一个页面的TrustRank值是100，页面上有5个导出链接，每个链接将传递20%的TrustRank值。衰减和分配这两种计算方法通常综合使用，整体效果都是随着链接层次的增加，TrustRank值逐步降低.

    得出网站和页面的TrustRank值后，可以通过两种方式影响排名。一种是把传统排名算法挑选出的多个页面，根据TrustRank值比较，重新做排名调整。另一种是设定一个最低的TrustRank值门槛，只有超过这个门槛的页面，才被认为有足够的质量进入排名，低于门槛的页面将被认为是垃圾页面，从搜索结果中过滤出去。

    虽然TrustRank算法最初是作为检测垃圾的方法，但在现在的搜索引擎排名算法中，TrustRank概念使用更为广泛，常常影响大部分网站的整体排名，TrustRank算法最初针对的是页面级别，现在在搜索引擎算法中，TrustRank值也通常表现在域名级别，整个域名的信任指数越高，整体排名能力就越强。

    Google PR有点类似于科技文献中互相引用的概念，被其他文献引用较多的文献，很可能是比较重要的文献。

    1.PR的概念和计算
    我们可以把互联网理解为由结点及链接组成的有向图，页面就是一个个结点，页面之间的有向链接传递着页面的重要性。一个链接传递的PR值决定于导入链接所在页面的PR值，发出链接的页面本身PR值越高，所能传递出去的PR也越高。传递的PR数值也取决于页面上的导出链接数目。对于给定PR值的页面来说，假设能传递到下级页面100份PR,页面上有10个导出链接，每个链接能传递10份PR，页面上有20个导出链接的话，每个链接只能传递5份PR。所以一个页面的PR值取决于导入链接总数，发出链接页面的PR值，以及发出链接页面上的导出链接数目。感兴趣的话可以到百度查一下PR值得计算公式。

    2.关于PR的两个比喻模型
    关于PR有两个著名的比喻。一个比喻是投票。链接就像民主投票一样，A页面链接到B页面，就意味着A页面对B页面投了一票，使得B页面的重要性提高，同时，A页面本身的PR值决定了A所能投出去的投票力，PR值越高的页面，投出的票也更重要。在这个意义上，传统基于关键词匹配的算法是看页面自己说页面内容是什么，基于链接的PR则是看别人怎么评价一个页面。

    第二个比喻是随机冲浪比喻。假设一个访问者从一个页面开始，不停地随机点击链接，访问下一个页面，有时候这个用户感到无聊了，不再点击链接，就随机跳到了另外一个网址，再次开始不停地向下点击。所谓PR值，也就是一个页面在这种随机冲浪访问中被访问到的概率，一个页面导入链接越多，被访问到的概率也越高，因此PR值也越高。

    阻尼系数也与随机冲浪模型有关。PR值公式中的(1-d)=0.15实际上就是用户感到无聊，停止点击，随机跳到新URL的概率。

    3.工具条PR
    真正的用于排名计算的Google PR值我们是无法知道的，我们所能看到的只是Google工具条PR值。需要清楚的是，工具条PR值并不是真实PR值的精确反映。真实PR值是一个准确的、大于0.15、没有上限的数字，工具条上显示的PR值已经简化为0-10这11个数字，是一个整数，也就是说PR值最小的近似为0，最大的近似为10。实际上每一个工具条PR值代表的是很大一个范围，工具条PR5代表的页面真实PR值可能相差很多倍。

    真正的PR值是不间断计算更新中的，工具条PR值只是某一个时间点上真实PR值的快照输出。工具条PR几个月才更新一次，一般在月末最后一天或则当月第一天更新。

    工具条PR与反向链接数目呈对数关系，而不是线性关系。也就是说如果从PR1到PR2需要的外部链接是100个，从PR2到PR3则需要大致1000个，PR5到PR6需要的外部链接则更多。所以PR值越高的网站想提升一级所要付出的时间和努力比PR值比较低的网站提升一级要多得多。

    4.关于PR的几个误解
    PR的英文全称是PageRank。这个名称来源于发明人佩奇(Page)的名字，巧合的是Page在英文中也是页面的意思。所以准确地说PageRank这个名字应该翻译为佩奇级别，而不是页面级别。不过约定俗成，再加上巧妙的一语双关，大家都把PR称为页面级别。

    PR值只与链接有关。经常有站长询问，他的网站做了挺长时间，内容也全是原创的，怎么PR还是零呢?其实PR与站长是否认真、做站多长时间、内容是否原创都没有直接关系。有反向链接就有PR，没有反向链接就没有PR。一个高质量的原创网站，一般来说自然会吸引到比较多的外部链接，所以会间接提高PR值，但这并不是必然的。

    工具条PR值更新与页面排名变化在时间上没有对应关系。在工具条PR值更新过程中，经常有站长说PR值提高了，难怪网站排名也提高了。可以肯定地说这只是时间上的巧合而己。前面说过，真实的用于排名计算的PR是连续计算更新的，随时计入排名算法。我们看到的工具条PR几个月才更新一次，当我们看到有PR更新时，真实的PR早在几个月之前就更新和计入排名里了，所以，通过工具条PR变化，研究PR值与排名变化之间的关系是没有意义的。

    5.PR的意义
    Google工程师说过很多次，Google PR现在已经是一个被过度宣传的概念，其实PR只是Google排名算法的200多个因素之一，而且重要性已经下降很多，SEO人员完全不必太执着于PR值的提高。

    当然，PR还是Google排名算法中的重要因素之一。除了直接影响排名，PR的重要
性还体现在下面几点。

    (1)网站收录深度和总页面数。搜索引擎蜘蛛爬行时间及数据库的空间都是有限的。Google希望尽量优先收录重要性高的页面，所以PR值越高的网站就能被收录更多页面，蜘蛛爬行内页的深度也更高。对大中型网站来说，首页PR值是带动网站收录的重要因素之一。

    (2)更新频率。PR值越高的网站，搜索引擎蜘蛛访问得就越频繁，网站上出现新页面或旧页面上内容更新时，都能更快速地被收录。由于网站新页面通常都会在现有页面上出现链接，因此更新频率高也就意味着被发现的速度快。

    (3)重复内容判定。当Google在不同网站上发现完全相同的内容时。会选出一个作为原创，其他作为转载或抄袭。用户搜索相关关键词时。被判断为原创的那个版本会排在前面。而判断哪个版本为原创时，PR值也是重要因素之一。这也就是为什么那些权重高、PR值高的大网站，转载小网站内容却经常被当做原创的原因。

    (4)排名初始子集的选择。前面介绍排名过程时提到，搜索引擎挑选出所有与关键词匹配的文件后，不可能对所有文件进行相关性计算，因为返回的文件可能有几百万、几千万，搜索引擎需要从中挑选出一个初始子集，再做相关性计算。初始子集的选择显然与关键词相关度无关，而只能从页面的重要程度着手，PR值就是与关键词无关的重要度指标。

    现在的PR算法与当初拉里佩奇专利中的描述相比肯定有了改进和变化。一个可以观察到的现象是，PR算法应该已经排除了一部分Google认为可疑或者无效的链接，比如付费链接、博客和论坛中的垃圾链接等。所以有时候我们会看到一个页面有PR6甚至PR7的导入链接，经过几次工具条PR更新后，却还维持在PR3甚至PR2。按说一个PR6或7的链接，应该把被链接的页面带到PR5或PR4.所以很可能Google己经把一部分它认为可疑的链接排除在PR计算之外。

    PR专利发明人是拉里佩奇，专利所有人是斯坦福大学，Google公司拥有永久性排他使用权。虽然PR是Google拥有专利使用权的算法，但其他所有主流搜索引擎也都有类似算法，只不过不称为PR而己。