转自
参考资料:更多数据挖掘:
链接分析
在链接分析中有2个经典的算法,1个是PageRank算法,还有1个是HITS算法,说白了,都是做链接分析的。具体是怎么做呢,继续往下看。
PageRank算法
要说到PageRank算法的作用,得先从搜索引擎开始讲起,PageRank算法的由来正式与此相关。
搜索引擎
最早时期的搜索引擎的结构,无外乎2个核心步骤,step1:建立庞大的资料库,step2:建立索引库,用于指向具体的资料。然后就是用户的查找操作了,那怎么查呢,一个很让人会联想到的方法就是通过关键字匹配的方法,例如我想输入张三这个关键词,那我就会在资源中查包含有张三这个词语的文章,按照关键词匹配方法,只要一篇文章中张三出现的次数越多,就越是要查询的目标。(但是更公正的方法应是次数/文章总次数,一个比值的形式显然更公平)。仔细这么想也没错。好继续往下。
Term Spam攻击
既然我已经知道了搜索的核心原理,如果我想要让我的网页能够出现在搜索的结果更靠前的位置,只要在页面中加入更多对应的关键词不就OK了,比如在html的div中写入10000个张三,让后使其隐藏此标签,使得前端页面不受影响,那我的目的岂不是达到了,这就是Term Spam攻击。
PageRank算法原理
既然关键词匹配算法容易遭到攻击,那有什么好的办法呢,这是候就出现了著名的PageRank算法,作为新的网页排名/重要性算法,最早是由Google的创始人所写的算法,PageRank算法彻底摒弃了什么关键词不关键词的,每个网页都有自己的PageRank值,意味一个网页的重要程度,PR值越高,最后呈现的位置更靠前。那怎么衡量每个网页的重要程度呢,答案是别的页面对他的链接。一句话,越多的网页在其内容上存在指向你的链接,说明你的网页越有名。具体PR值的计算全是通过别的网页的PR值做计算的,简单计算过程如下:
假设一个由只有4个页面组成的集合:A,B,C和D。如果所有页面都链向A,那么A的PR(PageRank)值将是B,C及D的和。
继续假设B也有链接到C,并且D也有链接到包括A的3个页面。一个页面不能投票2次。所以B给每个页面半票。以同样的逻辑,D投出的票只有三分之一算到了A的PageRank上。
换句话说,根据链出总数平分一个页面的PR值。
所示的例子来说明PageRank的具体计算过程。
以上是网页内部有链接的时候,因为还可能在1个网页中没有任何链接的情况,而这个时候,跳到任何网页的概率都是可能的。因此最后的计算公式就变成了这个样子:
q称为阻尼系数。
PageRank的计算过程
PageRank的计算过程实际并不复杂,他的计算数学表达式如下:
就是1-q变成了1-q/n了,算法的过程其实是利用了幂法的原理,等最后计算达到收敛了,也就结束了。
按照上面的计算公式假设矩阵A = q × P + ( 1 一 q) * /N,e为全为1的单位向量,P是一个链接概率矩阵,将链接的关系通过概率矩阵表现,A[i][j]表示网页i存在到网页j的链接,转化如下:
图4 P’ 的转置矩 阵
这里为什么要把矩阵做转置操作呢,原本a[i][j]代表i到j链接,现在就变为了j到i的链接的概率了,好,关键记住这点就够了。最后A就计算出来了,你可以把他理解为网页链接概率矩阵,最后只需要乘上对应的网页PR值就可以了。
此时初始化向量R[1, 1, 1];代表最初的网页的PR值,与此A概率矩阵相乘,第一个PR值R[0]'=A[0][0]*R[0] + A[0][1]*R[1] + A[0][2]*R[2],又因为A[i][j]此时的意思正是j到i网页的链接概率,这样的表达式恰恰就是上文我们所说的核心原理。然后将计算新得的R向量值域概率矩阵迭代计算直到收敛。
PageRank小结
PageRank的计算过程巧妙的被转移到了矩阵的计算中了,使得过程非常的精简。
Link Spam攻击
魔高一尺道高一丈,我也已经知道了PageRank算法的原理无非就是靠链接数升排名嘛,那我想让我自己的网页排名靠前,只要搞出很多网页,把链接指向我,不就行了,学术上这叫Link Spam攻击。但是这里有个问题,PR值是相对的,自己的网页PR值的高低还是要取决于指向者的PR值,这些指向者 的PR值如果不高,目标页也不会高到哪去,所以这时候,如果你想自己造成一堆的僵尸网页,统统指向我的目标网页,PR也不见的会高,所以我们看到的更常见的手段是在门户网站上放链接,各大论坛或者类似于新浪,网页新闻中心的评论中方链接,另类的实现链接指向了。目前针对这种作弊手法的直接的比较好的解决办法是没有,但是更多采用的是TrustRank,意味信任排名检测,首先挑出一堆信任网页做参照,然后计算你的网页的PR值,如果你网页本身很一般,但是PR值特别高,那么很有可能你的网页就是有问题的。
HITS
HITS算法同样作为一个链接分析算法,与PageRank算法在某些方面还是比较像的,将这2种算法放在一起做比较,再好不过的了,一个明显的不同点是HITS处理的网页量是小规模的集合,而且他是与查询相关的,首先输入一个查询q,假设检索系统返回n个页面,HITS算法取其中的200个(假设值),作为分析的样本数据,返回里面更有价值的页面。
HITS算法原理
HITS衡量1个页面用A[i]和H[i]值表示,A代表Authority权威值,H代表Hub枢纽值。
大意可理解为我指出的网页的权威值越高,我的Hub值越大。指向我的网页的Hub值越大,我的权威值越高。二者的变量相互权衡。下面一张图直接明了:
图3 Hub与Authority权值计算
如果理解了PageRank算法的原理,理解HITS应该很容易,最后结果的输出是根据页面的Authority权威值从高到低。
1) 、 分别表示网页结点 i 的Authority值(权威度)和Hub值(中心度)。
2) 对于“扩展集base”来说,我们并不知道哪些页面是好的“Hub”或者好的“Authority”页面,每个网页都有潜在的可能,所以对于每个页面都设立两个权值,分别来记载这个页面是好的Hub或者Authority页面的可能性。在初始情况下,在没有更多可利用信息前,每个页面的这两个权值都是相同的,可以都设置为1,即:
3)每次迭代计算Hub权值和Authority权值:
网页 a (i)在此轮迭代中的Authority权值即为所有指向网页 a (i)页面的Hub权值之和:
a (i) = Σ h (i) ;
网页 a (i)的Hub分值即为所指向的页面的Authority权值之和:
h (i) = Σ a (i) 。
对a (i)、h (i)进行规范化处理:
将所有网页的中心度都除以最高中心度以将其标准化:
a (i) = a (i)/|a(i)| ;
将所有网页的权威度都除以最高权威度以将其标准化:
h (i) = h (i)/ |h(i)| :
5)如此不断的重复第4):上一轮迭代计算中的权值和本轮迭代之后权值的差异,如果发现总体来说权值没有明显变化,说明系统已进入稳定状态,则可以结束计算,即a ( u),h(v)收敛 。
HITS算法描述
具体可以对照后面我写的程序。
HITS小结
从链接反作弊的角度来思考,HITS更容易遭受到Link Spam的攻击,因为你想啊,网页数量少啊,出错的几率就显得会大了。
PageRank算法和HITS算法实现
最后奉上本人亲自实现的2个算法,输入数据是同一个文(每条记录代表网页i到网页j存在链接):
1 2 1 3 2 3 3 1
算法都不是太难:
package DataMining_PageRank;import java.io.BufferedReader;import java.io.File;import java.io.FileReader;import java.io.IOException;import java.lang.reflect.Array;import java.text.MessageFormat;import java.util.ArrayList;/** * PageRank网页排名算法工具类 * * @author lyq * */public class PageRankTool { // 测试输入数据 private String filePath; // 网页总数量 private int pageNum; // 链接关系矩阵 private double[][] linkMatrix; // 每个页面pageRank值初始向量 private double[] pageRankVecor; // 网页数量分类 ArrayListpageClass; public PageRankTool(String filePath) { this.filePath = filePath; readDataFile(); } /** * 从文件中读取数据 */ private void readDataFile() { File file = new File(filePath); ArrayList dataArray = new ArrayList (); try { BufferedReader in = new BufferedReader(new FileReader(file)); String str; String[] tempArray; while ((str = in.readLine()) != null) { tempArray = str.split(" "); dataArray.add(tempArray); } in.close(); } catch (IOException e) { e.getStackTrace(); } pageClass = new ArrayList<>(); // 统计网页类型种数 for (String[] array : dataArray) { for (String s : array) { if (!pageClass.contains(s)) { pageClass.add(s); } } } int i = 0; int j = 0; pageNum = pageClass.size(); linkMatrix = new double[pageNum][pageNum]; pageRankVecor = new double[pageNum]; for (int k = 0; k < pageNum; k++) { // 初始每个页面的pageRank值为1 pageRankVecor[k] = 1.0; } for (String[] array : dataArray) { i = Integer.parseInt(array[0]); j = Integer.parseInt(array[1]); // 设置linkMatrix[i][j]为1代表i网页包含指向j网页的链接 linkMatrix[i - 1][j - 1] = 1; } } /** * 将矩阵转置 */ private void transferMatrix() { int count = 0; for (double[] array : linkMatrix) { // 计算页面链接个数 count = 0; for (double d : array) { if (d == 1) { count++; } } // 按概率均分 for (int i = 0; i < array.length; i++) { if (array[i] == 1) { array[i] /= count; } } } double t = 0; // 将矩阵转置换,作为概率转移矩阵 for (int i = 0; i < linkMatrix.length; i++) { for (int j = i + 1; j < linkMatrix[0].length; j++) { t = linkMatrix[i][j]; linkMatrix[i][j] = linkMatrix[j][i]; linkMatrix[j][i] = t; } } } /** * 利用幂法计算pageRank值 */ public void printPageRankValue() { transferMatrix(); // 阻尼系数 double damp = 0.5; // 链接概率矩阵 double[][] A = new double[pageNum][pageNum]; double[][] e = new double[pageNum][pageNum]; // 调用公式A=d*q+(1-d)*e/m,m为网页总个数,d就是damp double temp = (1 - damp) / pageNum; for (int i = 0; i < e.length; i++) { for (int j = 0; j < e[0].length; j++) { e[i][j] = temp; } } for (int i = 0; i < pageNum; i++) { for (int j = 0; j < pageNum; j++) { temp = damp * linkMatrix[i][j] + e[i][j]; A[i][j] = temp; } } // 误差值,作为判断收敛标准 double errorValue = Integer.MAX_VALUE; double[] newPRVector = new double[pageNum]; // 当平均每个PR值误差小于0.001时就算达到收敛 while (errorValue > 0.001 * pageNum) { System.out.println("**********"); for (int i = 0; i < pageNum; i++) { temp = 0; // 将A*pageRankVector,利用幂法求解,直到pageRankVector值收敛 for (int j = 0; j < pageNum; j++) { // temp就是每个网页到i页面的pageRank值 temp += A[i][j] * pageRankVecor[j]; } // 最后的temp就是i网页的总PageRank值 newPRVector[i] = temp; System.out.println(temp); } errorValue = 0; for (int i = 0; i < pageNum; i++) { errorValue += Math.abs(pageRankVecor[i] - newPRVector[i]); // 新的向量代替旧的向量 pageRankVecor[i] = newPRVector[i]; } } String name = null; temp = 0; System.out.println("--------------------"); for (int i = 0; i < pageNum; i++) { System.out.println(MessageFormat.format("网页{0}的pageRank值:{1}", pageClass.get(i), pageRankVecor[i])); if (pageRankVecor[i] > temp) { temp = pageRankVecor[i]; name = pageClass.get(i); } } System.out.println(MessageFormat.format("等级最高的网页为:{0}", name)); }}
下面是HITS算法的实现:
package DataMining_HITS;import java.io.BufferedReader;import java.io.File;import java.io.FileReader;import java.io.IOException;import java.util.ArrayList;/** * HITS链接分析算法工具类 * @author lyq * */public class HITSTool { //输入数据文件地址 private String filePath; //网页个数 private int pageNum; //网页Authority权威值 private double[] authority; //网页hub中心值 private double[] hub; //链接矩阵关系 private int[][] linkMatrix; //网页种类 private ArrayListpageClass; public HITSTool(String filePath){ this.filePath = filePath; readDataFile(); } /** * 从文件中读取数据 */ private void readDataFile() { File file = new File(filePath); ArrayList dataArray = new ArrayList (); try { BufferedReader in = new BufferedReader(new FileReader(file)); String str; String[] tempArray; while ((str = in.readLine()) != null) { tempArray = str.split(" "); dataArray.add(tempArray); } in.close(); } catch (IOException e) { e.getStackTrace(); } pageClass = new ArrayList<>(); // 统计网页类型种数 for (String[] array : dataArray) { for (String s : array) { if (!pageClass.contains(s)) { pageClass.add(s); } } } int i = 0; int j = 0; pageNum = pageClass.size(); linkMatrix = new int[pageNum][pageNum]; authority = new double[pageNum]; hub = new double[pageNum]; for(int k=0; k 0.01 * pageNum){ for(int k=0; k maxHub){ maxHub = newHub[k]; } if(newAuthority[k] > maxAuthority){ maxAuthority = newAuthority[k]; maxAuthorityIndex = k; } } error = 0; //归一化处理 for(int k=0; k
2个结果的输出如下:
PageRank算法;
**********1.00.74999999999999991.25**********1.1250.751.1249999999999998**********1.06249999999999980.781251.15625**********1.0781250.76562499999999981.1562499999999998**********1.07812499999999980.76953124999999981.1523437499999998**********1.07617187499999980.76953124999999981.1542968749999996**********1.07714843749999960.76904296874999971.1538085937499996--------------------网页1的pageRank值:1.077网页2的pageRank值:0.769网页3的pageRank值:1.154等级最高的网页为:3
HITS算法:
0.5:1.00.5:0.51.0:0.5---------0.3333333333333333:1.00.6666666666666666:0.66666666666666661.0:0.3333333333333333---------0.2:1.00.6000000000000001:0.60000000000000011.0:0.2---------0.125:1.00.625:0.6251.0:0.125---------0.07692307692307693:1.00.6153846153846154:0.61538461538461541.0:0.07692307692307693---------0.04761904761904762:1.00.6190476190476191:0.61904761904761911.0:0.04761904761904762---------0.029411764705882356:1.00.6176470588235294:0.61764705882352941.0:0.029411764705882356---------****最终收敛的网页的权威值和中心值****网页1:0.029411764705882356:1.0网页2:0.6176470588235294:0.6176470588235294网页3:1.0:0.029411764705882356权威值最高的网页为:网页3
结果都是网页3排名最高。