链接分析笔记

PageRank：基于随机游走模型，有两个假设：入链越多，则页面越重要；入链页面越重要，则权重越高。对于页面组成的闭环，容易产生链接陷阱，可以采用远程跳转的方法，即页面以一定概率赋予非出链页面。

HITS 算法：分为Hub页面和Authority页面，有两个假设：好的Authority页面会被很到好的Hub页面指向；好的Hub页面会指向很到好的Authority页面。HITS算法都是在接到用户查询后展开计算的。首先用其它方法找到和查询相关的一些页面组成根集合，所有指向根集合或者被根集合指向的页面都纳入组成页面集合，从此集合中找到Hub和Authority集合。每个页面都有一个Hub值和Authority值，根据出链和入链迭代计算着两个值。存在的问题：实时计算，效率低；容易主题漂移；容易作弊，通过添加多个指向Authority的页面；不稳定，少量页面的修改回严重影响结果。

SALSA算法：同HTIS算法，得到扩展页面集合，再转换为二分图。页面有出链指向集合，则加入Hub集合；页面被集合指向，则加入Authority集合。页面可以同属于两个集合。二分图改为无向图，采用随机游走模型计算。实质是计算Hub和Hub的关系，Authority和Authority的关系。计算Authority的转移矩阵，最终得出的Authority值与以下因素有关：1，与所在连通图的节点数成正比；2，与节点的入链数成正比；3，与节点所在连通图的入度成反比（保证各个连通图的总权值只和连通图集合大小相关）。

主题敏感PageRank：分了16中主题，每个页面针对每一个主题都有一个权值。离线分类计数页面的权值，通过人工选出高质量分类页面，再根据链家关系计算其他页面的本类别的PageRand值；在线计算查询的分类向量，与各个页面的向量相乘可以得到分值。可以用来构建个性化搜索引擎，主要是根据用户的历史查询计算本次查询的类别向量。

Hilltop 算法：从属组织页面，即域名或者ip中有相同部分的页面，否则为非从属组织页面。专家页面：链接所指向的是非从属组织页面，并且是主题相关的。离线搜集专家页面；根据用户输入打分专家页面，利用到了页面的标题、锚文本等信息，根据锚文本计算专家页面出链的权重。计算效率低，精确度高，召回率低。