التصنيفات
سيو

ماهو PageRank ( PR ) وكيف يقوم بترتيب صفحات الويب في نتائج محرك البحث

PageRank ( PR ) هي خوارزمية يستخدمها بحث Google لترتيب صفحات الويب في نتائج محرك البحث الخاصة بهم . تمت تسميته على اسم كل من مصطلح “صفحة ويب” والشريك المؤسس لاري بيدج . PageRank هي طريقة لقياس أهمية صفحات الموقع. وفقًا لجوجل:

يعمل نظام ترتيب الصفحات من خلال حساب عدد وجودة الروابط المؤدية إلى الصفحة لتحديد تقدير تقريبي لمدى أهمية موقع الويب. الافتراض الأساسي هو أنه من المحتمل أن تتلقى مواقع الويب الأكثر أهمية المزيد من الروابط من مواقع الويب الأخرى. 

في الوقت الحالي ، لا تعد PageRank الخوارزمية الوحيدة التي تستخدمها Google لطلب نتائج البحث ، ولكنها أول خوارزمية تستخدمها الشركة ، وهي أشهرها.   اعتبارًا من 24 سبتمبر 2019 ، انتهت صلاحية PageRank وجميع براءات الاختراع المرتبطة بها . 

الوصف 

كارتون يوضح المبدأ الأساسي لنظام ترتيب الصفحات. يتناسب حجم كل وجه مع الحجم الإجمالي للوجوه الأخرى التي تشير إليه.

PageRanks هي خوارزمية لتحليل الروابط وتقوم بتعيين ترجيح رقمي لكل عنصر من عناصر مجموعة من المستندات ذات الارتباط التشعبي ، مثل شبكة الويب العالمية ، بغرض “قياس” أهميتها النسبية داخل المجموعة. و الخوارزمية يمكن تطبيقها على أي مجموعة من الكيانات متبادلة الاقتباسات والمراجع. يُشار إلى الوزن العددي الذي يعينه لأي عنصر معين E باسم PageRank of E ويُشار إليه بواسطةالعلاقات العامة (ه).

النتائج والموقع من خوارزمية رياضية على أساس webgraph ، التي أنشأتها جميع صفحات الشبكة العالمية كعقد و صلات عن حواف، مع الأخذ بعين الاعتبار المحاور السلطة مثل cnn.com أو mayoclinic.org . تشير قيمة الترتيب إلى أهمية صفحة معينة. يعتبر الارتباط التشعبي إلى صفحة بمثابة تصويت على الدعم. يتم تحديد PageRank للصفحة بشكل متكرر ويعتمد على عدد ومقياس PageRank لجميع الصفحات التي ترتبط بها (” الروابط الواردة “). الصفحة التي يرتبط بها العديد من الصفحات ذات نظام ترتيب الصفحات المرتفع تحصل هي نفسها على مرتبة عالية.

تم نشر العديد من الأوراق الأكاديمية المتعلقة بـ PageRank منذ ورقة Page و Brin الأصلية.  من الناحية العملية ، قد يكون مفهوم PageRank عرضة للتلاعب. تم إجراء بحث لتحديد تصنيفات PageRank المتأثرة بشكل خاطئ. الهدف هو إيجاد وسيلة فعالة لتجاهل الروابط من المستندات ذات نظام ترتيب الصفحات الذي تم تأثره بشكل خاطئ. 

وتشمل خوارزميات الترتيب الأخرى التي تعتمد على رابط لصفحات الويب HITS الخوارزمية التي اخترعها جون كلاينبيرغ (التي يستخدمها تيوما والآن Ask.com )، وIBM مشروع CLEVER ، و TrustRank خوارزمية و الطائر الطنان الخوارزمية. 

التاريخ 

و القيمة الذاتية اقترح مشكلة في 1976 من قبل غابرييل Pinski وفرانسيس نارين، الذين عملوا على scientometrics ترتيب الدوريات العلمية،  في عام 1977 من قبل توماس ساعاتي في مفهومه من التحليل الهرمي عملية التي الخيارات البديلة مرجح،  وفي عام 1995 من قبل برادلي الحب وستيفن سلومان كنموذج معرفي للمفاهيم ، خوارزمية المركزية.  

طور محرك بحث يسمى ” RankDex ” من خدمات معلومات IDD ، صممه Robin Li في عام 1996 ، إستراتيجية لتسجيل المواقع وترتيب الصفحات.  أشار لي إلى آلية البحث الخاصة به على أنها “تحليل الارتباط” ، والتي تضمنت تصنيف شعبية موقع الويب بناءً على عدد المواقع الأخرى التي تم ربطها به.  تم إطلاق RankDex ، أول محرك بحث مع خوارزميات ترتيب الصفحات وتحديد المواقع ، في عام 1996.  حصل لي على براءة اختراع للتكنولوجيا في RankDex ، مع تسجيل براءة اختراعه في عام 1997 ومنحها في عام 1999.  فيما بعد استخدمها عندما أسس بايدو في الصين عام 2000.   مؤسس جوجل لاري بيدجأشار إلى عمل لي على أنه اقتباس في بعض براءات اختراعه في الولايات المتحدة لـ PageRank.   

لاري بيج و سيرجي برين بتطوير الموقع في جامعة ستانفورد في عام 1996 كجزء من مشروع بحثي حول نوع جديد من محرك البحث. مقابلة مع هيكتور غارسيا مولينا : يقدم أستاذ علوم الكمبيوتر بجامعة ستانفورد ومستشار سيرجي  خلفية عن تطوير خوارزمية ترتيب الصفحات.  كان لدى سيرجي برين فكرة أن المعلومات الموجودة على الويب يمكن ترتيبها في تسلسل هرمي من خلال “شعبية الارتباط”: تحتل الصفحة مرتبة أعلى نظرًا لوجود المزيد من الروابط إليها.  تم تطوير النظام بمساعدة سكوت حسن وآلان ستريمبيرج ، وكلاهما ذكرهما بيج وبرين كأحدهما بالغ الأهمية في تطوير جوجل.  

قام Rajeev Motwani و Terry Winograd بالاشتراك مع Page and Brin في تأليف الورقة الأولى حول المشروع ، والتي تصف نظام ترتيب الصفحات والنموذج الأولي لمحرك بحث Google ، والذي تم نشره في عام 1998.  بعد فترة وجيزة ، أسس بيج وبرين شركة Google Inc. ، شركة وراء محرك البحث جوجل. على الرغم من كونه أحد العوامل العديدة التي تحدد ترتيب نتائج بحث Google ، إلا أن PageRank يواصل توفير الأساس لجميع أدوات بحث الويب من Google. 

يتم تشغيل اسم “PageRank” على اسم المطور Larry Page ، بالإضافة إلى مفهوم صفحة الويب .   الكلمة هي علامة تجارية لشركة Google ، وقد تم تسجيل براءة اختراع عملية PageRank ( براءة الاختراع الأمريكية 6285999 ). ومع ذلك ، يتم تخصيص براءة الاختراع لجامعة ستانفورد وليس لشركة Google. تمتلك Google حقوق ترخيص حصرية لبراءة الاختراع من جامعة ستانفورد. تلقت الجامعة 1.8 مليون سهم من Google مقابل استخدام براءة الاختراع ؛ باعت الأسهم في عام 2005 مقابل 336 مليون دولار.  

تأثر نظام ترتيب الصفحات بتحليل الاقتباس ، الذي طوره في وقت مبكر يوجين جارفيلد في الخمسينيات من القرن الماضي في جامعة بنسلفانيا ، وبواسطة Hyper Search ، التي طورها ماسيمو مارشيوري في جامعة بادوا . في نفس العام الذي تم فيه تقديم PageRank (1998) ، نشر Jon Kleinberg عمله على HITS . يستشهد مؤسسو Google بجارفيلد وماركيوري وكلاينبرغ في أوراقهم الأصلية.  

الخوارزمية 

تُنتج خوارزمية PageRank توزيعًا احتماليًا يستخدم لتمثيل احتمالية وصول الشخص الذي ينقر بشكل عشوائي على الروابط إلى أي صفحة معينة. يمكن حساب نظام ترتيب الصفحات لمجموعات المستندات من أي حجم. يفترض في العديد من الأوراق البحثية أن التوزيع مقسم بالتساوي بين جميع الوثائق في المجموعة في بداية العملية الحسابية. تتطلب حسابات PageRank عدة تمريرات ، تسمى “التكرارات” ، من خلال المجموعة لضبط قيم PageRank التقريبية لتعكس القيمة الحقيقية النظرية بشكل أوثق.

يتم التعبير عن الاحتمال كقيمة عددية بين 0 و 1. يتم التعبير عن احتمال 0.5 بشكل عام على أنه “فرصة بنسبة 50٪” لحدوث شيء ما. وبالتالي ، فإن المستند الذي يحتوي على نظام ترتيب الصفحات 0.5 يعني أن هناك احتمال بنسبة 50٪ أن يتم توجيه الشخص الذي ينقر على رابط عشوائي إلى المستند المذكور.

خوارزمية مبسطة 

تفترض الكون صغير من أربع صفحات الويب: A ، B ، C ، و D . يتم تجاهل الروابط من صفحة إلى نفسها. يتم التعامل مع الارتباطات الصادرة المتعددة من صفحة إلى صفحة أخرى على أنها ارتباط واحد. تتم تهيئة PageRank بنفس القيمة لجميع الصفحات. في الشكل الأصلي لـ PageRank ، كان مجموع PageRank على جميع الصفحات هو العدد الإجمالي للصفحات على الويب في ذلك الوقت ، لذلك سيكون لكل صفحة في هذا المثال قيمة أولية قدرها 1. ومع ذلك ، فإن الإصدارات اللاحقة من PageRank و في الجزء المتبقي من هذا القسم ، افترض أن التوزيع الاحتمالي بين 0 و 1. ومن ثم القيمة الأولية لكل صفحة في هذا المثال هي 0.25.

يتم تقسيم PageRank المنقولة من صفحة معينة إلى أهداف روابطها الخارجية عند التكرار التالي بالتساوي بين جميع الروابط الصادرة.

إذا كانت الروابط الوحيدة في النظام من الصفحات B و C و D إلى A ، فإن كل رابط سينقل 0.25 PageRank إلى A عند التكرار التالي ، ليصبح المجموع 0.75.PR (A) = PR (B) + PR (C) + PR (D). \،

لنفترض بدلاً من ذلك أن الصفحة ” ب” تحتوي على رابط للصفحتين ” ج” و ” أ” ، وأن الصفحة ” ج” بها ارتباط إلى الصفحة ” أ” ، وأن الصفحة ” د” بها روابط لجميع الصفحات الثلاث. وهكذا، وبناء على التكرار الأول، الصفحة B سيقوم بنقل نصف قيمتها الحالية، أو 0.125، إلى الصفحة A ، والنصف الآخر، أو 0.125، إلى صفحة C . الصفحة ج ستنقل كل قيمتها الحالية ، 0.25 ، إلى الصفحة الوحيدة التي ترتبط بها ، أ . نظرًا لأن D لديها ثلاثة روابط خارجية ، فإنها ستنقل ثلث قيمتها الحالية ، أو ما يقرب من 0.083 ، إلى A.. عند الانتهاء من هذا التكرار ، سيكون للصفحة أ معدل صفحات يقارب 0.458.PR (A) = {\ frac {PR (B)} {2}} + {\ frac {PR (C)} {1}} + {\ frac {PR (D)} {3}}. \،

بمعنى آخر ، فإن PageRank التي يمنحها ارتباط صادر تساوي درجة PageRank الخاصة بالمستند مقسومة على عدد الروابط الصادرة L () .PR (A) = {\ frac {PR (B)} {L (B)}} + {\ frac {PR (C)} {L (C)}} + {\ frac {PR (D)} {L (د)}}.\،

في الحالة العامة ، يمكن التعبير عن قيمة PageRank لأي صفحة u على النحو التالي:PR (u) = \ sum_ {v \ in B_u} \ frac {PR (v)} {L (v)}و

على سبيل المثال ، تعتمد قيمة PageRank للصفحة u على قيم PageRank لكل صفحة v الواردة في المجموعة u (المجموعة التي تحتوي على جميع الصفحات المرتبطة بالصفحة u ) ، مقسومة على الرقم L ( v ) من الروابط من الصفحة v .

عامل التخميد 

تنص نظرية PageRank على أن راكب الأمواج الوهمي الذي ينقر بشكل عشوائي على الروابط سيتوقف في النهاية عن النقر. الاحتمال ، في أي خطوة ، أن الشخص سيستمر هو عامل التخميد د . لقد اختبرت دراسات مختلفة عوامل التخميد المختلفة ، ولكن من المفترض عمومًا أن عامل التخميد سيتم ضبطه حول 0.85. 

يُطرح عامل التخميد من 1 (وفي بعض الاختلافات في الخوارزمية ، يتم تقسيم النتيجة على عدد المستندات ( N ) في المجموعة) ثم يُضاف هذا المصطلح إلى منتج عامل التخميد ومجموع عشرات PageRank الواردة. هذا هو،PR (A) = {1 - d \ over N} + d \ left (\ frac {PR (B)} {L (B)} + \ frac {PR (C)} {L (C)} + \ frac {PR (D)} {L (D)} + \ ، \ cdots \ right).

لذلك فإن نظام ترتيب الصفحات لأي صفحة مشتق في جزء كبير منه من نظام ترتيب الصفحات في الصفحات الأخرى. يضبط عامل التخميد القيمة المشتقة إلى أسفل. لكن الورقة الأصلية أعطت الصيغة التالية التي أدت إلى بعض الالتباس:PR (A) = 1 - d + d \ left (\ frac {PR (B)} {L (B)} + \ frac {PR (C)} {L (C)} + \ frac {PR (D) } {L (D)} + \، \ cdots \ right).

والفرق بينهما هو أن القيم الموقع في أول صيغة مبلغ واحد، بينما يتم ضرب كل الموقع في صيغة الثانية N ومبلغ يصبح N . هناك بيان في مقالة بايج وبرين بأن “مجموع كل تصنيفات الصفحات هو واحد”  وادعاءات من قبل موظفي Google الآخرين  تدعم الصيغة الأولى للصيغة أعلاه.

خلط بيج وبرين بين الصيغتين في ورقتهما الأكثر شيوعًا “تشريح محرك بحث الويب Hypertextual واسع النطاق” ، حيث زعموا خطأً أن الصيغة الأخيرة شكلت توزيعًا احتماليًا على صفحات الويب. 

تعيد Google حساب نتائج PageRank في كل مرة يزحف فيها إلى الويب ويعيد بناء فهرسها. نظرًا لأن Google تزيد من عدد المستندات في مجموعتها ، فإن التقريب الأولي لنظام ترتيب الصفحات ينخفض ​​لجميع المستندات.

تستخدم الصيغة نموذجًا لمتصفح عشوائي يصل إلى موقعه المستهدف بعد عدة نقرات ، ثم ينتقل إلى صفحة عشوائية. تعكس قيمة PageRank لصفحة ما فرصة وصول المتصفّح العشوائي إلى تلك الصفحة من خلال النقر على رابط. يمكن فهمها على أنها سلسلة ماركوف حيث تكون الحالات عبارة عن صفحات ، والانتقالات هي الروابط بين الصفحات – وكلها محتملة بالتساوي.

إذا كانت الصفحة لا تحتوي على روابط لصفحات أخرى ، فإنها تصبح حوضًا وبالتالي تنهي عملية التصفح العشوائي. إذا وصل المتصفّح العشوائي إلى صفحة مغسلة ، فإنه يختار عنوان URL آخر عشوائيًا ويستمر في التصفح مرة أخرى.

عند حساب PageRank ، يُفترض أن الصفحات التي لا تحتوي على روابط صادرة مرتبطة بجميع الصفحات الأخرى في المجموعة. لذلك يتم تقسيم نتائج PageRank الخاصة بهم بالتساوي بين جميع الصفحات الأخرى. بمعنى آخر ، لكي نكون منصفين مع الصفحات غير المغمورة ، تتم إضافة هذه الانتقالات العشوائية إلى جميع العقد في الويب. عادةً ما يتم تعيين هذا الاحتمال المتبقي ، d ، على 0.85 ، مقدّرًا من التردد الذي يستخدمه متصفّح الإنترنت العادي لميزة الإشارة المرجعية في متصفحه. إذن المعادلة كالتالي:PR (p_i) = \ frac {1-d} {N} + d \ sum_ {p_j \ in M ​​(p_i)} \ frac {PR (p_j)} {L (p_j)}

أين p_1، p_2، ...، p_N هي الصفحات قيد الدراسة ، م (p_i) هي مجموعة الصفحات التي ترتبط بـ ص_ {i}و L (ص_ ي) هو عدد الروابط الصادرة على الصفحة ص_ {ي}، و ن هو العدد الإجمالي للصفحات.

قيم PageRank هي إدخالات المتجه الذاتي الأيمن السائد لمصفوفة التقارب المعدلة التي تم إعادة قياسها بحيث يضيف كل عمود ما يصل إلى واحد. هذا يجعل PageRank مقياسًا أنيقًا بشكل خاص: إن eigenvector هو
\ mathbf {R} = \ start {bmatrix} PR (p_1) \\ PR (p_2) \\ \ vdots \\ PR (p_N) \ end {bmatrix}

حيث R هو حل المعادلة
\ mathbf {R} = \ start {bmatrix} {(1-d) / N} \\ {(1-d) / N} \\ \ vdots \\ {(1-d) / N} \ end {bmatrix } + d \ start {bmatrix} \ ell (p_1، p_1) & \ ell (p_1، p_2) & \ cdots & \ ell (p_1، p_N) \\ \ ell (p_2، p_1) & \ ddots & & \ vdots \\ \ vdots & & \ ell (p_i، p_j) & \\ \ ell (p_N، p_1) & \ cdots & & \ ell (p_N، p_N) \ end {bmatrix} \ mathbf {R}

حيث وظيفة الجوار \ ell (p_i، p_j)هي النسبة بين عدد الروابط الصادرة من الصفحة j إلى الصفحة i إلى العدد الإجمالي للروابط الصادرة للصفحة j. وظيفة الجوار هي 0 إذا كانت الصفحةص_ {ي} لا يرتبط ب ص_ {i}، وتطبيعها بحيث ، لكل ي\ sum_ {i = 1} ^ N \ ell (p_i، p_j) = 1و

على سبيل المثال ، مجموع عناصر كل عمود يصل إلى 1 ، وبالتالي فإن المصفوفة عبارة عن مصفوفة عشوائية (لمزيد من التفاصيل ، راجع قسم الحساب أدناه). وبالتالي ، يعد هذا متغيرًا من مقياس مركزية eigenvector المستخدم بشكل شائع في تحليل الشبكة .

بسبب eigengap الكبير لمصفوفة التقارب المعدلة أعلاه ،  يمكن تقريب قيم PageRank eigenvector بدرجة عالية من الدقة في غضون عدد قليل من التكرارات.

أفاد مؤسسو Google ، في ورقتهم الأصلية ،  أن خوارزمية PageRank لشبكة تتكون من 322 مليون رابط (في الحواف والحواف الخارجية) تتقارب ضمن حد مقبول في 52 تكرارًا. استغرق التقارب في شبكة نصف الحجم أعلاه حوالي 45 تكرارًا. من خلال هذه البيانات ، استنتجوا أن الخوارزمية يمكن تحجيمها جيدًا وأن عامل التحجيم للشبكات الكبيرة للغاية سيكون خطيًا تقريبًا في\ تسجيل n، حيث n هو حجم الشبكة.

كنتيجة لنظرية ماركوف ، يمكن إثبات أن نظام ترتيب الصفحات للصفحة هو احتمال الوصول إلى تلك الصفحة بعد عدد كبير من النقرات. يحدث هذا على قدم المساواةر ^ {- 1} أين رهو توقع عدد النقرات (أو القفزات العشوائية) المطلوبة للعودة من الصفحة إلى نفسها.

أحد العيوب الرئيسية في نظام ترتيب الصفحات هو أنه يفضل الصفحات القديمة. لن تحتوي الصفحة الجديدة ، حتى لو كانت جيدة جدًا ، على العديد من الروابط ما لم تكن جزءًا من موقع موجود (الموقع عبارة عن مجموعة صفحات كثيفة الاتصال ، مثل ويكيبيديا ).

تم اقتراح العديد من الاستراتيجيات لتسريع حساب PageRank. 

تم استخدام استراتيجيات مختلفة للتلاعب بنظام PageRank في جهود متضافرة لتحسين تصنيفات نتائج البحث واستثمار الروابط الإعلانية. لقد أثرت هذه الاستراتيجيات بشدة على موثوقية مفهوم PageRank ،  والذي يهدف إلى تحديد المستندات التي تحظى بتقدير عالٍ من قبل مجتمع الويب.

منذ كانون الأول (ديسمبر) 2007 ، عندما بدأت Google بنشاط في معاقبة المواقع التي تبيع الروابط النصية المدفوعة ، كافحت Google مزارع الروابط وغيرها من المخططات المصممة لتضخيم نظام ترتيب الصفحات بشكل مصطنع. تعتبر كيفية تحديد Google لمزارع الروابط وأدوات التلاعب الأخرى في نظام ترتيب الصفحات من بين الأسرار التجارية لشركة Google .

الحساب 

يمكن حساب PageRank إما تكراريًا أو جبريًا. يمكن النظر إلى الطريقة التكرارية على أنها طريقة تكرار الطاقة   أو طريقة الطاقة. العمليات الحسابية الأساسية التي يتم إجراؤها متطابقة.

تكراري 

في ر = 0، يتم افتراض توزيع احتمالي أولي عادةPR (p_i؛ 0) = \ frac {1} {N}.

حيث N هو العدد الإجمالي للصفحات ، و {\ displaystyle p_ {i}؛ 0} هي الصفحة i في الوقت 0.

في كل خطوة زمنية ، ينتج عن الحساب ، كما هو مفصل أعلاهPR (p_i؛ t + 1) = \ frac {1-d} {N} + d \ sum_ {p_j \ in M ​​(p_i)} \ frac {PR (p_j؛ t)} {L (p_j)}

أين د هو عامل التخميد ،

أو في تدوين المصفوفة

\ mathbf {R} (t + 1) = d \ mathcal {M} \ mathbf {R} (t) + \ frac {1-d} {N} \ mathbf {1}و    ( 1 )

أين \ mathbf {R} _i (t) = PR (p_i؛ t) و \ mathbf {1}  هو متجه العمود للطول ن تحتوي على فقط منها.

المصفوفة {\ mathcal {M}} يعرف ب\ mathcal {M} _ {ij} = \ begin {cases} 1 / L (p_j)، & \ mbox {if} j \ mbox {links to} i \ \\ 0، & \ mbox {else} \ end { حالات}

بمعنى آخر،\ mathcal {M}: = (K ^ {- 1} A) ^ Tو

أين أيشير إلى مصفوفة الجوار للرسم البياني وك هي المصفوفة المائلة مع الدرجات الخارجية في القطر.

يتم حساب الاحتمال لكل صفحة في نقطة زمنية ، ثم يتم تكراره للنقطة الزمنية التالية. ينتهي الحساب عند بعض الصغيرة\ إبسيلون | \ mathbf {R} (t + 1) - \ mathbf {R} (t) |  <\ إبسيلونو

أي عند افتراض التقارب.

طريقة الطاقة 

إذا كانت المصفوفة {\ mathcal {M}} هو احتمالية انتقالية ، على سبيل المثال ، ستوكاستيك العمود و \ mathbf {R}  هو توزيع احتمالي (أي | \ mathbf {R} | = 1و \ mathbf {E} \ mathbf {R} = \ mathbf {1} أين \ mathbf {E} هي مصفوفة من جميع الآحاد) ، ثم المعادلة ( 2 ) تعادل

\ mathbf {R} = \ left (d \ mathcal {M} + \ frac {1-d} {N} \ mathbf {E} \ right) \ mathbf {R} =: \ widehat {\ mathcal {M}} \ mathbf {R}.    ( 3 )

ومن هنا PageRank \ mathbf {R}  هو ناقل eigenvector الرئيسي ل \ عريضة {\ mathcal {M}}. هناك طريقة سريعة وسهلة لحساب ذلك وهي استخدام طريقة الطاقة : البدء بمتجه عشوائي× (0)المشغل \ عريضة {\ mathcal {M}} يتم تطبيقه على التوالي ، أي x (t + 1) = \ widehat {\ mathcal {M}} x (t)و

حتى| x (t + 1) - x (t) |  <\ إبسيلون.

لاحظ أنه في المعادلة ( 3 ) يمكن تفسير المصفوفة الموجودة على الجانب الأيمن من الأقواس على أنها \ frac {1-d} {N} \ mathbf {E} = (1-d) \ mathbf {P} \ mathbf {1} ^ tو

أين \ mathbf {P} هو توزيع احتمالي أولي. ن الحالة الحالية\ mathbf {P}: = \ frac {1} {N} \ mathbf {1}.

أخيرًا ، إذا {\ mathcal {M}} أعمدة بقيم صفرية فقط ، يجب استبدالها بمتجه الاحتمال الأولي \ mathbf {P} . بعبارة أخرى،\ mathcal {M} ^ \ prime: = \ mathcal {M} + \ mathcal {D}و

حيث المصفوفة {\ رياضيات {د}} يعرف ب\ mathcal {D}: = \ mathbf {P} \ mathbf {D} ^ tو

مع\ mathbf {D} _i = \ begin {cases} 1، & \ mbox {if} L (p_i) = 0 \ \\ 0، & \ mbox {خلاف ذلك} \ end {cases}

في هذه الحالة ، تستخدم الحسابات المذكورة أعلاه {\ mathcal {M}} تعطي نفس نظام ترتيب الصفحات فقط إذا تم تسوية نتائجها: \ mathbf {R} _ {\ textrm {power}} = \ frac {\ mathbf {R} _ {\ textrm {iterative}}} {| \ mathbf {R} _ {\ textrm {iterative}} |} = \ frac {\ mathbf {R} _ {\ textrm {algebraic}}} {| \ mathbf {R} _ {\ textrm {algebraic}} |}.

التنفيذ 

سكالا / أباتشي سبارك 

مثال نموذجي هو استخدام البرمجة الوظيفية لـ Scala مع Apache Spark RDDs لحساب تصنيفات الصفحة بشكل تكراري.  

object SparkPageRank {
  def main(args: Array[String]) {
    val spark = SparkSession
      .builder
      .appName("SparkPageRank")
      .getOrCreate()

    val iters = if (args.length > 1) args(1).toInt else 10
    val lines = spark.read.textFile(args(0)).rdd
    val links = lines.map{ s =>
      val parts = s.split("\\s+")
      (parts(0), parts(1))
    }.distinct().groupByKey().cache()
    
    var ranks = links.mapValues(v => 1.0)

    for (i <- 1 to iters) {
      val contribs = links.join(ranks).values.flatMap{ case (urls, rank) =>
        val size = urls.size
        urls.map(url => (url, rank / size))
      }
      ranks = contribs.reduceByKey(_ + _).mapValues(0.15 + 0.85 * _)
    }

    val output = ranks.collect()
    output.foreach(tup => println(tup._1 + " has rank: " + tup._2 + "."))

    spark.stop()
  }
}

ماتلاب / اوكتاف 

% Parameter M adjacency matrix where M_i,j represents the link from 'j' to 'i', such that for all 'j'
%     sum(i, M_i,j) = 1
% Parameter d damping factor
% Parameter v_quadratic_error quadratic error for v
% Return v, a vector of ranks such that v_i is the i-th rank from [0, 1]

function [v] = rank2(M, d, v_quadratic_error)

N = size(M, 2); % N is equal to either dimension of M and the number of documents
v = rand(N, 1);
v = v ./ norm(v, 1);   % This is now L1, not L2
last_v = ones(N, 1) * inf;
M_hat = (d .* M) + (((1 - d) / N) .* ones(N, N));

while (norm(v - last_v, 2) > v_quadratic_error)
	last_v = v;
	v = M_hat * v;
        % removed the L2 norm of the iterated PR
end

end %function

مثال على رمز استدعاء دالة الترتيب المحددة أعلاه:

M = [0 0 0 0 1 ; 0.5 0 0 0 0 ; 0.5 0 0 0 0 ; 0 1 0.5 0 0 ; 0 0 0.5 1 0];
rank2(M, 0.80, 0.001)  

بايثون 

"""PageRank algorithm with explicit number of iterations.

Returns
-------
ranking of nodes (pages) in the adjacency matrix

"""

import numpy as np

def pagerank(M, num_iterations: int = 100, d: float = 0.85):
    """PageRank: The trillion dollar algorithm.

    Parameters
    ----------
    M : numpy array
        adjacency matrix where M_i,j represents the link from 'j' to 'i', such that for all 'j'
        sum(i, M_i,j) = 1
    num_iterations : int, optional
        number of iterations, by default 100
    d : float, optional
        damping factor, by default 0.85

    Returns
    -------
    numpy array
        a vector of ranks such that v_i is the i-th rank from [0, 1],
        v sums to 1

    """
    N = M.shape[1]
    v = np.random.rand(N, 1)
    v = v / np.linalg.norm(v, 1)
    M_hat = (d * M + (1 - d) / N)
    for i in range(num_iterations):
        v = M_hat @ v
    return v

M = np.array([[0, 0, 0, 0, 1],
              [0.5, 0, 0, 0, 0],
              [0.5, 0, 0, 0, 0],
              [0, 1, 0.5, 0, 0],
              [0, 0, 0.5, 1, 0]])
v = pagerank(M, 100, 0.85)

يأخذ هذا المثال ≈13 تكرارات لتتقارب.

الاختلافات 

PageRank لرسم بياني غير موجه 

نظام ترتيب الصفحات في رسم بياني غير موجه جي قريبة إحصائيًا من توزيع الدرجات للرسم البياني جي،  لكنهما غير متطابقين بشكل عام: إذاص هو متجه نظام ترتيب الصفحات المحدد أعلاه ، و د هو متجه توزيع الدرجات{\ displaystyle D = {1 \ over 2 | E |} {\ begin {bmatrix} \ deg (p_ {1}) \\\ deg (p_ {2}) \\\ vdots \\\ deg (p_ {N }) \ نهاية {bmatrix}}}

أين {displaystyle deg (p_ {i})} يدل على درجة الرأس ص_ {i}، و ه هي مجموعة حافة الرسم البياني ، إذن ، مع ص = {1 \ أكثر من N} \ mathbf {1}،  يوضح أن:

{1-d \ over1 + d} \ | YD \ | _1 \ leq \ | RD \ | _1 \ leq \ | YD \ | _1 ،

أي أن PageRank للرسم البياني غير الموجه يساوي متجه توزيع الدرجات فقط إذا كان الرسم البياني منتظمًا ، أي أن كل رأس له نفس الدرجة.

تعميم مركزية PageRank و eigenvector لتصنيف كائنات من نوعين 

وصف Daugulis تعميمًا لميزة PageRank في حالة تصنيف مجموعتين متفاعلتين من الكائنات.  في التطبيقات ، قد يكون من الضروري نمذجة أنظمة بها كائنات من نوعين حيث يتم تحديد العلاقة الموزونة على أزواج الكائنات. هذا يؤدي إلى النظر في الرسوم البيانية ثنائية الأجزاء . بالنسبة لمثل هذه الرسوم البيانية ، يمكن تحديد مصفوفات غير قابلة للاختزال ذات صلة موجبة أو غير سالبة تتوافق مع مجموعات أقسام قمة الرأس. يمكن للمرء أن يحسب تصنيفات الكائنات في كلتا المجموعتين كمتجهات ذاتية تتوافق مع القيم الذاتية الإيجابية القصوى لهذه المصفوفات. توجد المتجهات الذاتية المعيارية وهي فريدة من نوعها بواسطة نظرية بيرون أو بيرون-فروبينيوس. مثال: المستهلكين والمنتجات. وزن العلاقة هو معدل استهلاك المنتج.

الخوارزمية الموزعة لحساب PageRank 

سارما وآخرون وصف اثنين من الخوارزميات الموزعة العشوائية المستندة إلى السير لحساب PageRank من العقد في الشبكة.  خوارزمية واحدة تأخذO (\ log n / \ epsilon) جولات ذات احتمالية عالية على أي رسم بياني (موجه أو غير موجه) ، حيث يمثل n حجم الشبكة و \ إبسيلون  هو احتمال إعادة التعيين ( 1- \ إبسيلون، والذي يسمى عامل التخميد) المستخدم في حساب PageRank. كما أنها تقدم خوارزمية أسرع تأخذ O (\ sqrt {\ log n} / \ epsilon)جولات في الرسوم البيانية غير الموجهة. في كلتا الخوارزميتين ، تعالج كل عقدة وترسل عددًا من البتات في كل جولة والتي تكون متعددة اللوغاريتمية في n ، وهو حجم الشبكة.

شريط أدوات Google 

على شريط أدوات جوجل منذ فترة طويلة ميزة الموقع الذي عرض الموقع صفحة زار بأنها عددا كاملا بين 0 (الأقل شعبية) و 10 (الأكثر شعبية). لم تكشف Google عن الطريقة المحددة لتحديد قيمة PageRank الخاصة بشريط الأدوات ، والتي كان من المقرر اعتبارها مجرد مؤشر تقريبي على قيمة موقع الويب. كان “Toolbar Pagerank” متاحًا لمشرفي المواقع المعتمدين من خلال واجهة أدوات مشرفي المواقع من Google. ومع ذلك ، في 15 تشرين الأول (أكتوبر) 2009 ، أكد أحد موظفي Google أن الشركة قد أزالت نظام ترتيب الصفحات من قسم أدوات مشرفي المواقع ، قائلاً: “لقد أخبرنا الأشخاص لفترة طويلة أنه لا ينبغي عليهم التركيز على نظام ترتيب الصفحات كثيرًا. العديد من المواقع يبدو أن أصحابها يعتقدون أنه المقياس الأكثر أهميةبالنسبة لهم لتتبعه ، وهذا ببساطة ليس صحيحًا “. 

نادرًا ما تم تحديث “الصفحة الرئيسية لشريط الأدوات”. تم تحديثه آخر مرة في نوفمبر 2013. في أكتوبر 2014 ، أعلن Matt Cutts أن تحديث صفحة ويب مرئي آخر لن يأتي.  في مارس 2016 ، أعلنت Google أنها لن تدعم هذه الميزة بعد الآن ، وسوف تتوقف واجهة برمجة التطبيقات الأساسية عن العمل قريبًا.  في 15 أبريل 2016 ، أوقفت Google رسميًا عرض بيانات PageRank في شريط أدوات Google.  ستظل Google تستخدم نقاط PageRank عند تحديد كيفية ترتيب المحتوى في نتائج البحث. 

رتبة SERP 

على صفحة نتائج محرك البحث (سيرب) هو النتيجة الفعلية التي يتم إرجاعها بواسطة محرك البحث في ردا على سؤال عن الكلمات الرئيسية. يتكون SERP من قائمة روابط لصفحات الويب مع مقتطفات نصية مرتبطة. يشير تصنيف SERP لصفحة الويب إلى موضع الرابط المقابل في SERP ، حيث يعني الموضع الأعلى تصنيفًا أعلى في SERP. يعتبر تصنيف SERP لصفحة الويب وظيفة ليس فقط في PageRank ، ولكن لمجموعة كبيرة نسبيًا ومعدلة باستمرار من العوامل (أكثر من 200).  يهدف تحسين محرك البحث (SEO) إلى التأثير على تصنيف SERP لموقع ويب أو مجموعة من صفحات الويب.

يعتمد وضع صفحة ويب على Google SERPs لكلمة رئيسية على الملاءمة والسمعة ، والمعروف أيضًا باسم السلطة والشعبية. PageRank هي إشارة من Google لتقييمها لسمعة صفحة الويب: إنها ليست خاصة بالكلمات الرئيسية. تستخدم Google مجموعة من صفحات الويب وسلطة موقع الويب لتحديد السلطة العامة لصفحة ويب تتنافس على كلمة رئيسية.  يعد نظام ترتيب الصفحات في الصفحة الرئيسية لموقع ويب هو أفضل مؤشر تقدمه Google لسلطة موقع الويب. 

بعد إدخال أماكن Google في SERP العضوي السائد ، تؤثر العديد من العوامل الأخرى بالإضافة إلى PageRank على تصنيف شركة في نتائج الأعمال المحلية.  عندما شرحت Google بالتفصيل أسباب إهمال نظام ترتيب الصفحات في سؤال وجواب # مارس 2016 ، أعلنوا أن الروابط والمحتوى هما من أهم عوامل الترتيب. تم الإعلان عن RankBrain في وقت سابق في أكتوبر 2015 كعامل التصنيف رقم 3 ، لذلك تم تأكيد العوامل الثلاثة الأولى رسميًا من قبل Google. 

دليل Google PageRank 

و دليل جوجل كان الموقع على قياس 8 وحدة. على عكس شريط أدوات Google ، الذي يعرض قيمة PageRank رقمية عند تمرير الماوس فوق الشريط الأخضر ، يعرض دليل Google الشريط فقط ، وليس القيم الرقمية. تم إغلاق دليل Google في 20 يوليو 2011. 

نظام ترتيب الصفحات كاذب أو مخادع 

في الماضي ، كان من السهل التلاعب بنظام ترتيب الصفحات الذي يظهر في شريط الأدوات. أدت إعادة التوجيه من صفحة إلى أخرى ، إما عن طريق استجابة HTTP 302 أو علامة وصفية “تحديث” ، إلى حصول الصفحة المصدر على نظام ترتيب الصفحات للصفحة الوجهة. ومن ثم ، فإن صفحة جديدة بها PR 0 ولا توجد روابط واردة يمكن أن تحصل على PR 10 عن طريق إعادة التوجيه إلى صفحة Google الرئيسية. كانت تقنية الانتحال هذه ثغرة أمنية معروفة. يمكن اكتشاف الانتحال عمومًا عن طريق إجراء بحث في Google عن عنوان URL للمصدر ؛ إذا تم عرض عنوان URL لموقع مختلف تمامًا في النتائج ، فقد يمثل عنوان URL الأخير وجهة إعادة التوجيه.

معالجة PageRank 

ل محرك البحث الأمثل الأغراض، بعض الشركات تقدم لبيع وصلات الموقع عالية لمشرفي المواقع.  نظرًا لأنه يُعتقد أن الروابط من صفحات العلاقات العامة الأعلى أكثر قيمة ، فإنها تميل إلى أن تكون أكثر تكلفة. يمكن أن تكون إستراتيجية تسويقية فعالة وقابلة للتطبيق لشراء إعلانات الروابط على صفحات المحتوى ذات الجودة والمواقع ذات الصلة لزيادة حركة المرور وزيادة شعبية ارتباط مشرف الموقع. 

ومع ذلك ، فقد حذرت Google علنًا مشرفي المواقع من أنهم إذا تم اكتشافهم أو اكتشافهم لبيع الروابط بغرض منح نظام ترتيب الصفحات والسمعة ، فسيتم تقليل قيمة روابطهم (يتم تجاهلها في حساب تصنيف الصفحات في الصفحات الأخرى). 

تتم مناقشة ممارسة البيع والشراء  بشكل مكثف عبر مجتمع مشرفي المواقع. تنصح Google مشرفي المواقع باستخدام امتدادnofollow قيمة سمة HTML على الروابط الإعلانية. وفقًا لمات كاتس ، تشعر Google بالقلق بشأن مشرفي المواقع الذين يحاولون التلاعب بالنظام ، وبالتالي تقليل جودة وملاءمة نتائج بحث Google.  على الرغم من أن نظام ترتيب الصفحات أصبح أقل أهمية لأغراض تحسين محركات البحث (SEO) ، إلا أن وجود الروابط الخلفية من مواقع الويب الأكثر شهرة يستمر في دفع صفحة الويب إلى مرتبة أعلى في تصنيفات البحث. 

نموذج سيرفر المخرج 

راكب أمواج أكثر ذكاءً ينتقل احتماليًا من صفحة إلى أخرى اعتمادًا على محتوى الصفحات ومصطلحات الاستعلام التي يبحث عنها المتصفّح. يعتمد هذا النموذج على درجة PageRank المعتمدة على الاستعلام لصفحة والتي كما يوحي الاسم هي أيضًا دالة للاستعلام. عند تقديم استعلام متعدد المصطلحات ،{\ displaystyle Q = \ {q1، q2، \ cdots \}}، يختار راكب الأمواج أ ف وفقًا لبعض التوزيعات الاحتمالية ، ف (ف)، ويستخدم هذا المصطلح لتوجيه سلوكه لعدد كبير من الخطوات. ثم يختار مصطلحًا آخر وفقًا للتوزيع لتحديد سلوكه ، وما إلى ذلك. التوزيع الناتج على صفحات الويب التي تمت زيارتها هو QD-PageRank. 

المكونات الاجتماعية 

تنظر Katja Mayer إلى PageRank كشبكة اجتماعية لأنها تربط وجهات النظر والأفكار المختلفة في مكان واحد.  يذهب الأشخاص إلى PageRank للحصول على معلومات ويتم إغراقهم باقتباسات من مؤلفين آخرين لديهم رأي حول هذا الموضوع. هذا يخلق جانبًا اجتماعيًا حيث يمكن مناقشة كل شيء وجمعه لإثارة التفكير. توجد علاقة اجتماعية بين نظام ترتيب الصفحات والأشخاص الذين يستخدمونه لأنه يتكيف ويتغير باستمرار مع التحولات في المجتمع الحديث. يتيح عرض العلاقة بين نظام ترتيب الصفحات والفرد من خلال القياس الاجتماعي إلقاء نظرة متعمقة على الاتصال الناتج.

 يعتقد ماتيو باسكينيلي أن أساس الاعتقاد بأن نظام ترتيب الصفحات له مكون اجتماعي يكمن في فكرة اقتصاد الانتباه. مع الاقتصاد في الاهتمام ، يتم وضع القيمة على المنتجات التي تتلقى قدرًا أكبر من الاهتمام البشري والنتائج في الجزء العلوي من PageRank تحصل على قدر أكبر من التركيز عن تلك الموجودة في الصفحات اللاحقة. ستدخل النتائج مع نظام ترتيب الصفحات الأعلى إلى الوعي البشري إلى حد كبير. يمكن أن تؤثر هذه الأفكار على عملية صنع القرار ، كما أن تصرفات المشاهد لها علاقة مباشرة بنظام ترتيب الصفحات PageRank. لديهم إمكانات أعلى لجذب انتباه المستخدم لأن موقعهم يزيد من اقتصاد الانتباه المرتبط بالموقع. من خلال هذا الموقع ، يمكنهم تلقي المزيد من حركة المرور وسيشهد سوقهم عبر الإنترنت المزيد من عمليات الشراء. يتيح نظام PageRank لهذه المواقع الوثوق بهم ويمكنهم استغلال هذه الثقة في زيادة الأعمال.

استخدامات أخرى 

تعتبر رياضيات PageRank عامة تمامًا وتنطبق على أي رسم بياني أو شبكة في أي مجال. وبالتالي ، يتم استخدام PageRank الآن بانتظام في القياسات الببليومترية ، وتحليل الشبكات الاجتماعية والمعلوماتية ، وللتنبؤ بالارتباط والتوصية. حتى أنها تستخدم لتحليل أنظمة شبكات الطرق ، وكذلك علم الأحياء والكيمياء وعلم الأعصاب والفيزياء. 

البحث العلمي والأوساط الأكاديمية 

تم استخدام PageRank مؤخرًا لتقدير التأثير العلمي للباحثين. تُستخدم شبكات الاقتباس والتعاون الأساسية جنبًا إلى جنب مع خوارزمية pagerank من أجل التوصل إلى نظام تصنيف للمنشورات الفردية التي تنتشر إلى المؤلفين الفرديين. تم إثبات أن الفهرس الجديد المعروف باسم مؤشر pagerank (Pi) أكثر عدلاً مقارنةً بمؤشر h في سياق العديد من العيوب التي أظهرها مؤشر h. 

لتحليل شبكات البروتين في علم الأحياء ، يعتبر نظام ترتيب الصفحات أيضًا أداة مفيدة.  

في أي نظام بيئي ، يمكن استخدام نسخة معدلة من PageRank لتحديد الأنواع الضرورية لاستمرار صحة البيئة. 

استخدام جديد مشابه لـ PageRank هو تصنيف برامج الدكتوراه الأكاديمية بناءً على سجلاتها الخاصة بوضع خريجيها في مناصب أعضاء هيئة التدريس. في مصطلحات PageRank ، ترتبط الأقسام الأكاديمية ببعضها البعض من خلال توظيف أعضاء هيئة التدريس الخاصة بهم من بعضهم البعض (ومن أنفسهم). 

تم اقتراح نسخة من PageRank مؤخرًا كبديل لمعامل التأثير التقليدي لمعهد المعلومات العلمية (ISI) ،  وتم تنفيذه في Eigenfactor وكذلك في SCImago . بدلاً من مجرد احتساب إجمالي الاقتباس في إحدى المجلات ، يتم تحديد “أهمية” كل اقتباس بطريقة PageRank.

في علم الأعصاب ، تم العثور على PageRank للخلايا العصبية في شبكة عصبية مرتبطة بمعدل إطلاق النار النسبي. 

استخدام الإنترنت 

يستخدم موقع Twitter نظام ترتيب الصفحات المخصص لتزويد المستخدمين بحسابات أخرى قد يرغبون في متابعتها. 

ينشئ منتج البحث في موقع Swiftype “نظام ترتيب الصفحات خاصًا بمواقع الويب الفردية” من خلال النظر في إشارات الأهمية لكل موقع ويب وتحديد أولويات المحتوى استنادًا إلى عوامل مثل عدد الروابط من الصفحة الرئيسية. 

و زاحف الشبكة قد يستخدم الموقع باعتبارها واحدة من عدد من المقاييس الأهمية التي تستخدم لتحديد URL لزيارة خلال الزحف على شبكة الإنترنت. إحدى أوراق العمل المبكرة  التي تم استخدامها في إنشاء Google هي الزحف الفعال من خلال ترتيب عناوين URL ،  والتي تناقش استخدام عدد من مقاييس الأهمية المختلفة لتحديد مدى عمق موقع Google ومقدار موقعه. سوف يزحف. يتم تقديم PageRank كواحد من عدد من مقاييس الأهمية هذه ، على الرغم من وجود مقاييس أخرى مدرجة مثل عدد الروابط الواردة والصادرة لعنوان URL والمسافة من الدليل الجذر على الموقع إلى عنوان URL.

يمكن أيضًا استخدام PageRank كمنهجية لقياس التأثير الواضح لمجتمع مثل Blogosphere على الويب ككل. لذلك يستخدم هذا الأسلوب PageRank لقياس توزيع الاهتمام في انعكاس نموذج الشبكة الخالية من النطاق . 

تطبيقات أخرى 

في عام 2005 ، في دراسة تجريبية في باكستان ، الهيكلية العميقة للديمقراطية ، تم استخدام SD2   لاختيار القيادة في مجموعة زراعية مستدامة تسمى Contact Youth. يستخدم SD2 نظام ترتيب الصفحات PageRank لمعالجة أصوات الوكلاء متعدية الأطراف ، مع القيود الإضافية المتمثلة في تفويض وكلاء اثنين على الأقل لكل ناخب ، وجميع الناخبين هم مرشحون بالوكالة. يمكن إنشاء متغيرات أكثر تعقيدًا فوق SD2 ، مثل إضافة وكلاء متخصصين وتصويتات مباشرة لقضايا محددة ، ولكن SD2 كنظام شامل أساسي ، يفرض استخدام الوكلاء العامين دائمًا.

في الرياضة ، تم استخدام خوارزمية PageRank لتصنيف أداء: الفرق في الدوري الوطني لكرة القدم (NFL) في الولايات المتحدة.  لاعب كرة قدم فردي.  ورياضيون في الدوري الماسي. 

تم استخدام نظام ترتيب الصفحات PageRank لترتيب المساحات أو الشوارع للتنبؤ بعدد الأشخاص (المشاة أو المركبات) الذين يأتون إلى المساحات أو الشوارع الفردية.   وفي دلالات المفردات تم استخدامها لتنفيذ فك التباس دلالة الكلمة ،  تشابه الدلالي ،  وأيضا إلى رتبة تلقائيا وردنت synsets وفقا لمدى قوة أنها تمتلك خاصية دلالية معينة، مثل الإيجابية أو سلبية. 

nofollow 

في أوائل عام 2005، نفذت Google قيمة جديدة “، نوفولو “،  ل يختلط سمة من الرابط ومرساة عناصر HTML، بحيث مطوري الموقع و المدونين يمكن أن تجعل الروابط التي جوجل لا تنظر لأغراض الموقع وإنما هي الروابط التي لم تعد تشكل “تصويتًا” في نظام PageRank. تمت إضافة علاقة nofollow في محاولة للمساعدة في مكافحة spamdexing .

على سبيل المثال ، كان بإمكان الأشخاص سابقًا إنشاء العديد من منشورات لوحة الرسائل مع روابط إلى مواقع الويب الخاصة بهم لتضخيم نظام ترتيب الصفحات الخاص بهم بشكل مصطنع. باستخدام قيمة nofollow ، يمكن لمسؤولي لوحة الرسائل تعديل التعليمات البرمجية الخاصة بهم لإدراج “rel = ‘nofollow” تلقائيًا في جميع الارتباطات التشعبية في المنشورات ، وبالتالي منع نظام ترتيب الصفحات من التأثر بهذه المنشورات المعينة. ومع ذلك ، فإن طريقة التجنب هذه لها عيوب مختلفة ، مثل تقليل قيمة الارتباط للتعليقات المشروعة. (راجع: البريد العشوائي في المدونات # nofollow )

في محاولة للتحكم يدويًا في تدفق PageRank بين الصفحات داخل موقع ويب ، يمارس العديد من مشرفي المواقع ما يُعرف باسم PageRank Sculpting  – وهو فعل وضع السمة nofollow بشكل استراتيجي على روابط داخلية معينة لموقع ويب من أجل تحويل PageRank في اتجاه تلك الصفحات التي يعتبرها مشرف الموقع الأكثر أهمية. تم استخدام هذا الأسلوب منذ بداية السمة nofollow ، ولكنه قد لا يكون فعالاً بعد أن أعلنت Google أن حظر نقل PageRank باستخدام nofollow لا يؤدي إلى إعادة توجيه PageRank إلى روابط أخرى.

wikipedia

اترك تعليقاً

لن يتم نشر عنوان بريدك الإلكتروني. الحقول الإلزامية مشار إليها بـ *