PageRank 演算法隨記
遞迴的意思是：假如現在要求C，指向C的入鏈只有B，那麼得先求B的重要度，B重要度的大小取決於指向B的入鏈以及這些入鏈的重要度。
“隨機”的解釋：從i這個頁面開始，它可能有di種選擇，而且他做每一種選擇的時候，選擇的概率是相同的，即他決定到下一個頁面是一個隨機的選擇(應該跳到那個頁面)，我們把上面圖中的矩陣叫隨機鄰接矩陣。
矩陣方程
Σri=1在這裡表示限定條件，和流方程一樣，不加限定條件會有無窮多個解。所以這裡的限定條件是假定所有網頁的重要度求和等於1。
矩陣的行和r向量相乘的時候就是對流公式的表示。
矩陣方程例項
冪迭代方法
兩個向量的1範數，其實是對應位置的差值絕對值之和。
r向量是所有網頁的重要程度組成的向量。
冪迭代求解
總共是3個節點，初始化每個節點的重要度分別是1/3。
r=r'的意思是，最後求得r'的值趨於穩定，不再變化。
隨機遊動的解釋
如果有很多頁面指向頁面j的話，那麼它的重要度是很高的。
平穩分佈
存在性和唯一性
在節點少的圖中，如果新增一個節點的話，整個圖是需要重新算的。但是在億級節點的話，多一個節點少一個節點，對圖的影響不一定大。像百度和谷歌就不會頻繁的去計算。
按照流公式迭代不一定會收斂到我們想要的結果。
收不收斂？
a,b節點圖，如果用1，0去初始化的話，會發現他們一直再對調。
ABCD圖，所有的權重最後都歸到了C這一個點。
隨著矩陣運算的迭代，拿到的ABCD四個值都會非常非常趨於零。
PageRank問題
m這個點就是個陷阱問題，最終所有的權重都被吸到m這個點上。
終結者問題，最後的迭代結果是零零零，m這個點沒有任何出鏈。
解決辦法：隨機傳送
e代表全部的網頁，就是說瀏覽者會隨機的在全部網頁中開啟一個。
pagerank是一個針對圖的演算法，有名是因為，最早的時候谷歌用它做了一個所謂比較公正的網路排序，但後來人們對他做了各種優化，爭取通過他的規則，把自己的網頁提高比較靠前的位置，也通過優化來使結果更加的穩定。
pagerank可以幫你在有關聯的圖中找到最重要的節點。