Dinamik Hesaplama
Sayfa öneminin hesaplanmasını hızlandırmak için çeşitli yaklaşımlar açıklanmıştır. Burada, aynı bilgilerin “anında” hesaplanmasına ve dinamik olarak değişen Web’de merkezilik değerlerini güncel tutma sorununa odaklanıyoruz.
Sürekli Güncellenen Yaklaşımlar
Sayfa öneminin hesaplanması için, ör. PageRank aracılığıyla, bağlantı matrisinin önceden bilinmesi gerekir. Genellikle, bu matris bir tarama işlemi tarafından oluşturulur.
Bu süreç oldukça fazla zaman aldığından, sayfa öneminin “anında” hesaplanmasına yönelik yaklaşımlar ilgi çekicidir. Yaklaşık bir PageRank hesaplaması yapan ve muhtemelen çok büyük bağlantı matrisini depolamayı gerektirmeyen “Çevrimiçi Sayfa Önemi Hesaplaması” (OPIC) algoritmasını tanımlayın.
Fikir, ‘nakit’ dağıtımına dayanmaktadır. Başlatma sırasında, her sayfa bir miktar nakit alır ve bu parayı yinelemeli hesaplama sırasında dağıtır. Tahmini PageRank, daha sonra, yaklaşım algoritması hala çalışırken bile doğrudan mevcut nakit dağılımından hesaplanabilir.
Algoritma 8, OPIC algoritmasını açıklar. c dizisi her sayfa için gerçek nakit dağılımını tutar ve h dizisi her sayfa için nakit geçmişini tutar. skaler g sadece ni=1 h[i] için bir kısayoldur.
i sayfasının PageRank tahmini cPRaprox(i) = h[i]+c[i] tarafından verilir. g+1’in algoritmanın doğru bir PageRank tahmini hesaplamasını garanti etmesi için köşelerin seçimi çok önemlidir.
Üç stratejiyi tartışın: rastgele, açgözlü ve döngüsel. “Rastgele bir sayfa seç” ve “tüm sayfaları dairesel olarak seç” stratejileri açıktır. Açgözlü en yüksek paraya sahip sayfayı seçer. Hesaplamanın yakınsaması için köşelerin seçimi adil olmalı ve bu tüm seçim stratejilerinde garanti edilmelidir.
Birkaç yinelemeden sonra algoritma, grafiğin komşuluk matrisinin en büyük özdeğeri için özvektör tarafından tanımlanan sayfa önem bilgisine doğru yakınsar. Hesaplamanın yakınsamasını garanti etmek için rastgele sörfçüye benzer kavramlar uygulanmalıdır.
Bunlar, örneğin, her sayfanın bağlantı verdiği bir “sanal sayfanın” dahil edilmesidir. Orijinal çalışma, bağlantı ekleme ve kaldırma işlemlerini ve bazı bölümlerde köşe ekleme ve kaldırma işlemlerini kapsayan uyarlamalı bir sürüm içerir. Bu modifiye uyarlanabilir OPIC algoritması burada ele alınmamıştır ve bulunabilir.
Sayfa Sıralamasını Dinamik Olarak Güncelleme
Sayfa öneminin hesaplanmasını hızlandırmak için ilginç bir yaklaşım, PageRank’in yalnızca ağın ‘değişen’ kısmı için yeniden hesaplanmasında yatmaktadır. Web söz konusu olduğunda, bu değişiklikler sayfa eklemeleri ve çıkarmaları ve bağlantı eklemeleri ve çıkarmalarıdır. Bu fikir için, bağlantı eklemeleri için bir yaklaşım açıklanmıştır.
Bu fikir, Web grafiği W için PageRan Markov zincirinin olasılık matrisi P’nin pertürbasyonuna ilişkin bir gözlem üzerine kuruludur. Bağlantı eklemelerinden kaynaklanan bu tedirginlik, P = P̃ + E ilişkisi ile modellenebilir, burada E bir hata matrisi ve P̃ tedirgin matristir.
Tek bir kenar ekleme1 için, E sadece bazı i satırlarındaki değişiklikleri içerir. Bu nedenle, P ̃ matrisi orijinal P matrisinden yalnızca bu satırda farklıdır. Chien ve ark. değiştirilmiş Web grafiği W’ için iyi bir yaklaşım elde etmek üzere pertürbasyon etrafındaki küçük bir alan için PageRank’in yeniden hesaplanmasının gerekli olduğunu gözlemledi.
Bu küçük alan, grafik yapısı tarafından tanımlanır ve orijinal Web grafiği W’den çıkarılabilir. Çıkarma, i ve j arasındaki yeni kenarı ve ayrıca yeniye “yakın” olan her tepe noktasını ve kenarı içeren bir G grafiği verir. kenar. Ek olarak, G grafiği, W grafiğinden G’de olmayan tüm köşeleri modelleyen bir “süper tepe noktası” içerir. G grafiği için bir T geçiş matrisi oluşturulur ve durağan dağılımı τ hesaplanır.
G grafiğinin tüm köşeleri için (süper köşe hariç), bu nedenle, tedirgin matris P ̃’nin durağan dağılımı π ̃, matris T’nin durağan dağılımı τ ile yaklaşık olarak tahmin edilebilir.
W’de G tarafından kapsanmayan köşeler için, P ̃’nin durağan dağılımı π ̃, P matrisinin durağan dağılımı π ile basit bir şekilde yaklaşık olarak tahmin edilir. Birkaç deney, bu yaklaşımın değiştirilmiş W’ Web grafiği için iyi bir yaklaşım verdiğini gösterdi. ve P̃ yerine daha küçük T matrisinin durağan dağılımının hesaplanması nedeniyle hesaplama süresinin azaldığını da düşünmek gerekir.
Alexa site sıralaması
Site sıralaması sorgulama
Google sıra bulucu
Alexa site sıralama sorgulama
Web site sıralaması
Sitem kaçıncı sırada
Alexa sıralamasında en popüler 100 site
SEO sıra bulucu
Gelişmiş Merkezilik Kavramları
Literatürde tanıtılan çok sayıda farklı merkezilik indeksi, hatta sadece göz korkutucudur. Sıklıkla, yeni bir tanım, yeni bir uygulamada bir tepe noktasının merkeziliği kavramını yakalayamayan öncekiler tarafından motive edilir. Bu bölümde merkeziyetlerin bağlantılarını, benzerliklerini ve farklılıklarını tartışacağız.
Bu bölümün amacı, bu tür bağlantılara genel bir bakış sunarak mevcut merkezilik endekslerinin bir tür haritasını sağlamaktır. Bunun için tüm ağlar için geçerli olan resmi açıklamalara odaklanıyoruz. Ancak, bu yaklaşımın sınırları vardır.
Genellikle bu tür yaklaşımlar, ağın somut bir uygulama için bilinebilecek özel yapısını dikkate almaz ve belirli tanımların sezgisel çekiciliğini somut bir uygulamada aktaramayabilir.
Bununla birlikte, farklı merkezilik endekslerinin soyut tanımlarını araştırmak için böyle bir yaklaşımı uygun buluyoruz. Bu, küçük örnek grafikler üzerinde bir merkezilik indeksinin yeni bir tanımını yalnızca sezgisel olarak haklı çıkaran bazı literatürle belirli bir tezat içindedir.
Farklı tanımlar arasındaki bu tür bağlantı, genellikle matematiksel bir ortamda olmasa da, daha önce incelenmiştir. Tipik bir örnek iştir. Simüle edilmiş bir parçacık atlama ağının bir aradalık merkeziliği ve tıkanıklık bağlantısını göz önünde bulundurur.
Parçacıklar en kısa yollar boyunca yönlendirilir, ancak iki parçacığın aynı tepe noktasını işgal etmesine izin verilmez. Bu gereksinimle başa çıkmanın iki politikasını araştırıyor, yani bir parçacığın bir sonraki programlanmış tepe noktası işgal edildiğinde beklemesi ve böylece kilitlenme olasılığı yaratması gerekir.
Alternatif olarak, parçacıkların yolculuklarına dolambaçlı bir yoldan devam etmelerine izin verilebilir. Böyle bir tahminin ancak ağdaki toplam parçacık sayısı küçükse mümkün olduğunu bulur. Bu nedenle, parçacık sekmeli modelin uygulanması için en kısa yol arasındakilik, tıkanıklığı tahmin etmekte başarısız olduğu için yanlış bir seçimdir.
Geriye dönüp bakıldığında, bu gerçekten şaşırtıcı değil çünkü aradalığın tanımı, bir yolun başka bir yol tarafından engellenmesini hesaba katmaz, dolayısıyla parçacıkların birbiriyle girişim yapmadığını varsayar. Özellikle, aşırı kalabalık köşe noktalarının bir sonucu olarak geri taşma olasılığı, karayolu ağlarındaki araç trafiği akışı için iyi bilinmektedir, örneğin sunulan trafik simülasyonunda ele alındığı gibi, trafik hususlarına daha genel bir genel bakış sağlar.