pagerank算法总结

原始的pagerank算法

对每个节点给定一个初始pr值

迭代直到节点值不变：
    对所有节点，按照概率将节点的pr值分配给其他节点(对于其他节点是一个收集值的累加过程)

这里会出现几种case：

case1：出现了dead end

dead end就是死节点，没有出边，分配给该节点的pr值，由于没有出边，所以直接归零。在多次迭代后，慢慢的所有的pr值都会被消耗殆尽，归于沉寂。

多次迭代后结果（假设初始pr值都为1/4）：

case2：出现了Spider Traps

只有入边没有出边，pr值只进不出，多次迭代后，会出现这个节点收集到了所有的pr值，为1，其他节点全为0。例如

升级版的pagerank算法

算是给原先的打了一个补丁，但是引入了一个参数。
升级后的算法，
对于case1，虽然pr值仍然会流失，pr值的总和不至于为0，为小于1的某个数。
对于case2，由于引入了一些参数，所以即是到了只进不出的顶点还是有机会出去的，出去的几率在于这个权衡参数的大小。

参考：
1、《mining of massive datasets》相应章节

demo代码：