2022年数据挖掘大算法可用 .pdf

数据挖掘十大算法1 http:/ IEEE International Conference on Data Mining (ICDM) 2006年 12 月评选出了数据挖掘领域的十大经典算法：C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost, kNN, Naive Bayes, and CART. 不仅仅是选中的十大算法，其实参加评选的18 种算法，实际上随便拿出一种来都可以称得上是经典算法，它们在数据挖掘领域都产生了极为深远的影响。1.C4.5 C4.5 算法是机器学习算法中的一种分类决策树算法,其核心算法是 ID3 算法 . C4.5 算法继承了 ID3 算法的优点，并在以下几方面对ID3 算法进行了改进：1) 用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足；2) 在树构造过程中进行剪枝；3) 能够完成对连续属性的离散化处理；4) 能够对不完整数据进行处理。C4.5 算法有如下优点：产生的分类规则易于理解，准确率较高。其缺点是：在构造树的过程中，需要对数据集进行多次的顺序扫描和排序，因而导致算法的低效。2. The k-means algorithm 即 K-Means 算法k-means algorithm算法是一个聚类算法，把n 的对象根据他们的属性分为k 个分割， k n 。它与处理混合正态分布的最大期望算法很相似，因为他们都试图找到数据中自然聚类的中心。它假设对象属性来自于空间向量，并且目标是使各个群组内部的均方误差总和最小。3. Support vector machines 支持向量机，英文为Support Vector Machine ，简称 SV 机（论文中一般简称SVM）。它是一种監督式學習的方法， 它广泛的应用于统计分类以及回归分析中。支持向量机将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面。分隔超平面使两个平行超平面的距离最大化。假定平行超平面间的距离或差距越大，分类器的名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 1 页，共 27 页 - - - - - - - - - 总误差越小。一个极好的指南是C.J.C Burges 的模式识别支持向量机指南。van der Walt 和Barnard 将支持向量机和其他分类器进行了比较。4. The Apriori algorithm Apriori 算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。在这里，所有支持度大于最小支持度的项集称为频繁项集，简称频集。5. 最大期望 (EM) 算法在统计计算中，最大期望（EM，Expectation Maximization ）算法是在概率（ probabilistic ）模型中寻找参数最大似然估计的算法，其中概率模型依赖于无法观测的隐藏变量（Latent Variabl ）。最大期望经常用在机器学习和计算机视觉的数据集聚（Data Clustering ）领域。6. PageRank PageRank 是 Google 算法的重要内容。 2001 年 9 月被授予美国专利， 专利人是 Google 创始人之一拉里?佩奇（ Larry Page ）。因此， PageRank 里的 page 不是指网页，而是指佩奇，即这个等级方法是以佩奇来命名的。PageRank 根据网站的外部链接和内部链接的数量和质量俩衡量网站的价值。PageRank 背后的概念是，每个到页面的链接都是对该页面的一次投票，被链接的越多，就意味着被其他网站投票越多。这个就是所谓的 链接流行度 衡量多少人愿意将他们的网站和你的网站挂钩。PageRank 这个概念引自学术中一篇论文的被引述的频度即被别人引述的次数越多，一般判断这篇论文的权威性就越高。7. AdaBoost Adaboost 是一种迭代算法， 其核心思想是针对同一个训练集训练不同的分类器(弱分类器 )， 然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器 )。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。 将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。8. kNN: k-nearest neighbor classification K最近邻 (k-Nearest Neighbor ，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k 个最相似 (即特征空间中最邻近 )的样本中的大多数属于某一个类别，则该样本也属于这个类别。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 2 页，共 27 页 - - - - - - - - - 9. Naive Bayes 在众多的分类模型中，应用最为广泛的两种分类模型是决策树模型(Decision Tree Model) 和朴素贝叶斯模型（ Naive Bayesian Model ，NBC）。 朴素贝叶斯模型发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。同时，NBC模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。理论上， NBC 模型与其他分类方法相比具有最小的误差率。但是实际上并非总是如此，这是因为 NBC模型假设属性之间相互独立，这个假设在实际应用中往往是不成立的，这给NBC模型的正确分类带来了一定影响。 在属性个数比较多或者属性之间相关性较大时，NBC模型的分类效率比不上决策树模型。而在属性相关性较小时，NBC 模型的性能最为良好。10. CART: 分类与回归树CART, Classification and Regression Trees 。 在分类树下面有两个关键的思想。第一个是关于递归地划分自变量空间的想法；第二个想法是用验证数据进行剪枝。数据挖掘十大经典算法(1)C4.5 机器学习中，决策树是一个预测模型；他代表的是对象属性与对象值之间的一种映射关系。树中每个节点表示某个对象， 而每个分叉路径则代表的某个可能的属性值，而每个叶结点则对应从根节点到该叶节点所经历的路径所表示的对象的值。决策树仅有单一输出，若欲有复数输出，可以建立独立的决策树以处理不同输出。从数据产生决策树的机器学习技术叫做决策树学习, 通俗说就是决策树。决策树学习也是数据挖掘中一个普通的方法。在这里，每个决策树都表述了一种树型结构，他由他的分支来对该类型的对象依靠属性进行分类。每个决策树可以依靠对源数据库的分割进行数据测试。这个过程可以递归式的对树进行修剪。当不能再进行分割或一个单独的类可以被应用于某一分支时，递归过程就完成了。另外，随机森林分类器将许多决策树结合起来以提升分类的正确率。决策树同时也可以依靠计算条件概率来构造。决策树如果依靠数学的计算方法可以取得更加理想的效果。决策树是如何工作的决策树一般都是自上而下的来生成的。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 3 页，共 27 页 - - - - - - - - - 选择分割的方法有好几种，但是目的都是一致的：对目标类尝试进行最佳的分割。从根到叶子节点都有一条路径，这条路径就是一条 规则 。决策树可以是二叉的，也可以是多叉的。对每个节点的衡量：1) 通过该节点的记录数2) 如果是叶子节点的话，分类的路径3) 对叶子节点正确分类的比例。有些规则的效果可以比其他的一些规则要好。由于 ID3 算法在实际应用中存在一些问题，于是 Quilan 提出了 C4.5 算法，严格上说 C4.5 只能是 ID3的一个改进算法。相信大家对ID3 算法都很 .熟悉了，这里就不做介绍。C4.5 算法继承了 ID3 算法的优点，并在以下几方面对ID3 算法进行了改进：1) 用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足；2) 在树构造过程中进行剪枝；3) 能够完成对连续属性的离散化处理；4) 能够对不完整数据进行处理。C4.5 算法有如下优点：产生的分类规则易于理解，准确率较高。其缺点是：在构造树的过程中，需要对数据集进行多次的顺序扫描和排序，因而导致算法的低效。此外，C4.5 只适合于能够驻留于内存的数据集，当训练集大得无法在内存容纳时程序无法运行。来自搜索的其他内容：C4.5 算法是机器学习算法中的一种分类决策树算法,其核心算法是 ID3 算法 . 分类决策树算法是从大量事例中进行提取分类规则的自上而下的决策树. 决策树的各部分是 : 名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 4 页，共 27 页 - - - - - - - - - 根: 学习的事例集 . 枝: 分类的判定条件 . 叶: 分好的各个类 . 4.3.2 ID3 算法1.概念提取算法 CLS 1) 初始化参数 C=E,E 包括所有的例子 ,为根. 2) IF C 中的任一元素e 同属于同一个决策类则创建一个叶子节点 YES终止 . ELSE 依启发式标准 ,选择特征 Fi=V1,V2,V3, Vn 并创建判定节点划分 C 为互不相交的 N 个集合 C1,C2,C3, ,Cn；3) 对任一个 Ci 递归. 2. ID3 算法1) 随机选择 C 的一个子集 W (窗口). 2) 调用 CLS生成 W 的分类树 DT(强调的启发式标准在后). 3) 顺序扫描 C 搜集 DT 的意外 (即由 DT 无法确定的例子 ). 4) 组合 W 与已发现的意外 ,形成新的 W. 5) 重复 2)到 4),直到无例外为止 . 启发式标准 : 只跟本身与其子树有关,采取信息理论用熵来量度. 熵是选择事件时选择自由度的量度,其计算方法为P = freq(Cj,S)/|S|; 名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 5 页，共 27 页 - - - - - - - - - INFO(S)= - SUM( P*LOG(P) ) ; SUM()函数是求 j 从 1 到 n 和. Gain(X)=Info(X)-Infox(X); Infox(X)=SUM( (|Ti|/|T|)*Info(X); 为保证生成的决策树最小,ID3 算法在生成子树时 ,选取使生成的子树的熵(即 Gain(S) 最小的的特征来生成子树 . 4.3.3: ID3 算法对数据的要求1. 所有属性必须为离散量. 2. 所有的训练例的所有属性必须有一个明确的值. 3. 相同的因素必须得到相同的结论且训练例必须唯一. 4.3.4: C4.5 对 ID3 算法的改进 : 1. 熵的改进 ,加上了子树的信息 . Split_Infox(X)= - SUM( (|T|/|Ti| ) *LOG(|Ti|/|T|) ); Gain ratio(X)= Gain(X)/Split Infox(X); 2. 在输入数据上的改进 . 1) 因素属性的值可以是连续量,C4.5 对其排序并分成不同的集合后按照ID3 算法当作离散量进行处理,但结论属性的值必须是离散值. 2) 训练例的因素属性值可以是不确定的,以? 表示,但结论必须是确定的3. 对已生成的决策树进行裁剪,减小生成树的规模 . 数据挖掘十大经典算法(2) k-means k-means algorithm算法是一个聚类算法，把n 的对象根据他们的属性分为k 个分割， k = 0软间隔1995 年, Corinna Cortes 与 Vapnik 提出了一种改进的最大间隔区方法，这种方法可以处理标记错误的样本。如果可区分正负例的超平面不存在，则 软边界 将选择一个超平面尽可能清晰地区分样本，同时使其与分界最清晰的样本的距离最大化。这一成果使术语 支持向量机 （或SVM ）得到推广。这种方法引入了松驰参数i以衡量对数据 xi 的误分类度。随后，将目标函数与一个针对非0i的惩罚函数相加，在增大间距和缩小错误惩罚两大目标之间进行权衡优化。如果惩罚函数是一个线性函数，则等式(3) 变形为名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 10 页，共 27 页 - - - - - - - - - 数据挖掘十大经典算法(4)Apriori Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。在这里，所有支持度大于最小支持度的项集称为频繁项集，简称频集。Apriori演算法所使用的前置统计量包括了：最大规则物件数：规则中物件组所包含的最大物件数量最小支援：规则中物件或是物件组必顸符合的最低案例数最小信心水准：计算规则所必须符合的最低信心水准门槛该算法的基本思想是：首先 找出所有的频集，这些项集出现的频繁性至少和预定义的最小支持度一样。 然后 由频集产生强关联规则，这些规则必须满足最小支持度和最小可信度。然后使用第 1 步找到的频集产生期望的规则，产生只包含集合的项的所有规则，其中每一条规则的右部只有一项，这里采用的是中规则的定义。一旦这些规则被生成，那么只有那些大于用户给定的最小可信度的规则才被留下来。为了生成所有频集，使用了递推的方法。Apriori算法的两大缺点：1. 可能产生大量的候选集;2. 可能需要重复扫描数据库。数据挖掘十大经典算法(5) EM 在统计计算中，最大期望（EM，Expectation Maximization ）算法是在概率（ probabilistic ）模型中寻找参数最大似然估计的算法，其中概率模型依赖于无法观测的隐藏变量（Latent Variabl ）。最大期望经常用在机器学习和计算机视觉的数据集聚（Data Clustering ）领域。最大期望算法经过两个步骤交替进行计算，第一步是计算期望（E），也就是将隐藏变量象能够观测到的一样包含在内从而计算最大似然的期望值；另外一步是最大化（M），也就是最大化在E 步上找到的最大似然的期望值从而计算参数的最大似然估计。 M 步上找到的参数然后用于另外一个E 步计算，这个过程不断交替进行。最大期望过程说明我们用表示能够观察到的不完整的变量值，用表示无法观察到的变量值，这样和一起组成了完整的数据。可能是实际测量丢失的数据，也可能是能够简化问题的隐藏变量，如果它的值能够知道的话。例如，在混合模型（Mixture Model ）中，如果 产生 样本的混合元素成分已知的话最大似然公式将变得更加便利（参见下面的例子）。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 11 页，共 27 页 - - - - - - - - - 估计无法观测的数据让代表矢量: 定义的参数的全部数据的概率分布（连续情况下）或者概率集聚函数 （离散情况下），那么从这个函数就可以得到全部数据的最大似然值，另外，在给定的观察到的数据条件下未知数据的条件分布可以表示为：数据挖掘十大经典算法(6) PageRank PageRank 是 Google 算法的重要内容。 2001 年 9 月被授予美国专利， 专利人是 Google 创始人之一拉里?佩奇（ Larry Page ）。因此， PageRank 里的 page 不是指网页，而是指佩奇，即这个等级方法是以佩奇来命名的。Google 的 PageRank 根据网站的外部链接和内部链接的数量和质量俩衡量网站的价值。PageRank 背后的概念是，每个到页面的链接都是对该页面的一次投票，被链接的越多，就意味着被其他网站投票越多。这个就是所谓的 链接流行度 衡量多少人愿意将他们的网站和你的网站挂钩。PageRank这个概念引自学术中一篇论文的被引述的频度即被别人引述的次数越多，一般判断这篇论文的权威性就越高。Google 有一套自动化方法来计算这些投票。Google 的 PageRank 分值从 0 到 10；PageRank 为 10表示最佳，但非常少见，类似里氏震级（Richter scale ），PageRank 级别也不是线性的，而是按照一种指数刻度。这是一种奇特的数学术语，意思是PageRank4 不是比 PageRank3 好一级 而可能会好 6 到 7 倍。因此，一个 PageRank5 的网页和 PageRank8 的网页之间的差距会比你可能认为的要大的多。PageRank 较高的页面的排名往往要比PageRank 较低的页面高，而这导致了人们对链接的着魔。在整个 SEO社区，人们忙于争夺、 交换甚至销售链接， 它是过去几年来人们关注的焦点，以至于 Google修改了他的系统，并开始放弃某些类型的链接。比如，被人们广泛接受的一条规定，来自缺乏内容的 link farm（链接工厂）网站的链接将不会提供页面的PageRank，从 PageRank 较高的页面得到链接但是内容不相关（比如说某个流行的漫画书网站链接到一个叉车规范页面），也不会提供页面的PageRank。Google 选择降低了 PageRank 对更新频率，以便不鼓励人们不断的对其进行监测。Google PageRank 一般一年更新四次，所以刚上线的新网站不可能获得PR值。你的网站很可能在相当长的时间里面看不到PR值的变化，特别是一些新的网站。 PR值暂时没有，这不是什么不好的事情，耐心等待就好了。为您的网站获取外部链接是一件好事，但是无视其他SEO 领域的工作而进行急迫的链接建设就是浪费时间，要时刻保持一个整体思路并记住以下几点：?Google 的排名算法并不是完全基于外部链接的?高 PageRank 并不能保证 Google 高排名?PageRank 值更新的比较慢，今天看到的PageRank 值可能是三个月前的值名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 12 页，共 27 页 - - - - - - - - - 因此我们不鼓励刻意的去追求PageRank，因为决定排名的因素可以有上百种。尽管如此，PageRank还是一个用来了解Google 对您的网站页面如何评价的相当好的指示，建议网站设计者要充分认识PageRank 在 Google 判断网站质量中的重要作用，从设计前的考虑到后期网站更新都要给予PageRank 足够的分析，很好的利用。我们要将PageRank 看作是一种业余爱好而不是一种信仰。- 通过对由超过50,000 万个变量和20 亿个词汇组成的方程进行计算，PageRank 能够对网页的重要性做出客观的评价。 PageRank 并不计算直接链接的数量，而是将从网页A 指向网页B 的链接解释为由网页A 对网页B 所投的一票。这样， PageRank 会根据网页B 所收到的投票数量来评估该页的重要性。此外，PageRank 还会评估每个投票网页的重要性，因为某些网页的投票被认为具有较高的价值，这样，它所链接的网页就能获得较高的价值。重要网页获得的PageRank（网页排名）较高，从而显示在搜索结果的顶部。Google 技术使用网上反馈的综合信息来确定某个网页的重要性。搜索结果没有人工干预或操纵， 这也是为什么Google 会成为一个广受用户信赖、不受付费排名影响且公正客观的信息来源。其实简单说就是民主表决。打个比方，假如我们要找李开复博士，有一百个人举手说自己是李开复。那么谁是真的呢？也许有好几个真的，但即使如此谁又是大家真正想找的呢？:-) 如果大家都说在Google 公司的那个是真的，那么他就是真的。在互联网上，如果一个网页被很多其它网页所链接，说明它受到普遍的承认和信赖，那么它的排名就高。 这就是Page Rank 的核心思想。 当然 Google 的 Page Rank 算法实际上要复杂得多。 比如说，对来自不同网页的链接对待不同， 本身网页排名高的链接更可靠， 于是给这些链接予较大的权重。 Page Rank 考虑了这个因素，可是现在问题又来了，计算搜索结果的网页排名过程中需要用到网页本身的排名，这不成了先有鸡还是先有蛋的问题了吗？Google 的两个创始人拉里 ?佩奇 （Larry Page ）和谢尔盖 ?布林 (Sergey Brin) 把这个问题变成了一个二维矩阵相乘的问题，并且用迭代的方法解决了这个问题。他们先假定所有网页的排名是相同的，并且根据这个初始值， 算出各个网页的第一次迭代排名，然后再根据第一次迭代排名算出第二次的排名。他们两人从理论上证明了不论初始值如何选取，这种算法都保证了网页排名的估计值能收敛到他们的真实值。值得一提的事，这种算法是完全没有任何人工干预的。理论问题解决了，又遇到实际问题。因为互联网上网页的数量是巨大的，上面提到的二维矩阵从理论上讲有网页数目平方之多个元素。如果我们假定有十亿个网页，那么这个矩阵就有一百亿亿个元素。这样大的矩阵相乘，计算量是非常大的。拉里和谢尔盖两人利用稀疏矩阵计算的技巧，大大的简化了计算量，并实现了这个网页排名算法。今天Google 的工程师把这个算法移植到并行的计算机中，进一步缩短了计算时间，使网页更新的周期比以前短了许多。我来 Google 后，拉里(Larry) 在和我们几个新员工座谈时，讲起他当年和谢尔盖(Sergey) 是怎么想到网页排名算法的。他说：当时我们觉得整个互联网就像一张大的图（Graph) ，每个网站就像一名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 13 页，共 27 页 - - - - - - - - - 个节点，而每个网页的链接就像一个弧。我想，互联网可以用一个图或者矩阵描述，我也许可以用这个发现做个博士论文。 他和谢尔盖就这样发明了Page Rank 的算法。网页排名的高明之处在于它把整个互联网当作了一个整体对待。它无意识中符合了系统论的观点。相比之下，以前的信息检索大多把每一个网页当作独立的个体对待，很多人当初只注意了网页内容和查询语句的相关性，忽略了网页之间的关系。今天， Google 搜索引擎比最初复杂、完善了许多。但是网页排名在Google 所有算法中依然是至关重要的。在学术界 , 这个算法被公认为是文献检索中最大的贡献之一，并且被很多大学引入了信息检索课程 (Information Retrieval) 的教程。如何提高你网页的PR 值？什么是 PR值呢 ? PR 值全称为 PageRank，PR是英文 Pagerank 的缩写形式， Pagerank 取自 Google的创始人 LarryPage，它是 Google 排名运算法则（排名公式）的一部分，Pagerank 是 Google 对网页重要性的评估，是Google 用来衡量一个网站的好坏的唯一标准。PageRank(网页级别 )是 Google用于评测一个网页 重要性 的一种方法。 在揉合了诸如 Title 标识和 Keywords 标识等所有其它因素之后，Google 通过 PageRank 来调整结果， 使那些更具 重要性 的网页在搜索结果中另网站排名获得提升，从而提高搜索结果的相关性和质量。PR值的级别从 1 到 10 级，10 级为满分。 PR值越高说明该网页越受欢迎。 Google 把自己的网站的PR值定到 10，这说明 Google 这个网站是非常受欢迎的，也可以说这个网站非常重要。Google 大受青睐的另一个原因就是它的网站索引速度。向Google 提交你的网站直到为Google 收录， 一般只需两个星期。 如果你的网站已经为Google 收录， 那么通常 Google会每月一次遍历和更新(重新索引 )你的网站信息。不过对于那些PR值 (Pagerank) 较高的网站，Google索引周期会相应的短一些。一个PR 值为 1 的网站表明这个网站不太具有流行度，而PR值为 7 到 10则表明这个网站非常受欢迎。PR值最高为 10，一般 PR 值达到 4，就算是一个不错的网站了。那么PR值都受那些因素影响呢？下面我们一起来看看。第一：网站外部链接的数量和质量在计算网站排名时，Pagerank 会将网站的外部链接数考虑进去。并不能说一个网站的外部链接数越多其 PR值就越高，如果这样的话，一个网站尽可能获得最多的外部链接就OK 了，有这种想法是错误的。 Google 对一个网站上的外部链接数的重视程度并不意味着你因此可以不求策略地与任何网站建立连接。这是因为Google 并不是简单地由计算网站的外部链接数来决定其等级。Google 的Pagerank 系统不单考虑一个网站的外部链接质量，也会考虑其数量。这个问题看来很有复杂。首先让我们来解释一下什么是阻尼因数(damping factor)。阻尼因素就是当你投票或链接到另外一个站点时所获得的实际PR分值。阻尼因数一般是0.85。当然比起你网站的实际PR值，它就显得微不足道了。现在让我们来看看这个PR分值的计算公式： PR(A)=(1- d)+d(PR(t1)/C(t1)+.+PR(tn)/C(tn) 公式解释：其中 PR(A)表示的是从一个外部链接站点t1 上，依据 Pagerank?系统给你的网站所增加的PR分值； PR(t1)表示该外部链接网站本身的PR分值； C(t1) 则表示该外部链接站点所拥有的外部链接数量。大家要谨记：一个网站的投票权值只有该网站PR分值的 0.85，那么，是不是说对一个网站而言，它所拥有的较高网站质量和较高PR分值的外部链接数量越多就越好呢？错，因为 Google 的 Pagerank 系统不单考虑一个网站的外部链接质量，也会考虑其数量 .比方名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 14 页，共 27 页 - - - - - - - - - 说，对一个有一定PR值的网站 X 来说，如果你的网站Y 是它的唯一一个外部链接，那么Google 就相信网站 X 将你的网站 Y 视做它最好的一个外部链接，从而会给你的网站Y 更多的分值。可是，如果网站 X 上已经有 49 个外部链接，那么 Google 就相信网站 X只是将你的网站视做它第50 个好的网站。因而你的外部链接站点上的外部链接数越多，你所能够得到的PR分值反而会越低，它们呈反比关系。说它对是因为一般情况下，一个PR分值大于等于 6 的外部链接站点，可显著提升你的PR分值。但如果这个外部链接站点已经有100 个其它的外部链接时，那你能够得到的PR 分值就几乎为零了。同样，如果一个外部链接站点的PR值仅为 2，但你却是它的唯一一个外部链接，那么你所获得的PR值要远远大于那个PR值为 6，外部链接数为100 的网站。而且这个 0.85 的权值平均分配给其链接的每个外部网站。第二： Google 在你的网站抓取的页面数Google 在你的网站抓取的页面数，数目越多，Pagerank 值越高。但通常Google 并不会主动抓取你的网站的所有页面，尤其是网址里带有?的动态链接， Google 不主动，那就要我们主动了，最笨的办法是把网站所有的页面都提交给Google ，但我想没有谁真会这么做，但页面不多的话可以试试。更好的办法是制作一个静态Html 页面，通常被称作 网站地图 或 网站导航 ，它里面包含你要添加的所有网址，然后把这个静态页面提交给Google。第三：网站被世界三大知名网站DMOZ，Yahoo 和 Looksmart 收录众所周知， Google 的 Pagerank 系统对那些门户网络目录如DMOZ，Yahoo 和 Looksmart 尤为器重。特别是对 DMOZ。 一个网站上的DMOZ 链接对 Google 的 Pagerank?来说， 就好像一块金子一样珍贵。如果你的网站为ODP收录，则可有效提升你的页面等级。向ODP 提交你的站点并为它收录，其实并不是一件难事，只是要多花点时间而已。只要确保你的网站提供了良好的内容，然后在ODP合适的目录下点击 增加站点 ，按照提示一步步来就OK 了。至少要保证你的索引页(INDEX PAGE)被收录进去。所以，如果你的网站内容涉及完全不同的几块内容，你可以把每个内容的网页分别向ODP提交不过请记住 欲速则不达 。 等到 Google 对其目录更新后， 你就能看到你的PR值会有什么变化了。如果你的网站为Yahoo 和 Looksmart 所收录， 那么你的 PR值会得到显著提升。 如果你的网站是非商业性质的或几乎完全是非商业性质的内容，那么你可以通过 使你的网站为著名的网络目录Looksmart 所收录。Looksmart 也是从 Zeal 网络目录获得非商业搜索列表。Google PR 值的更新周期是多长时间？一般情况下 PR值更新的周期是2.53 个月！最近一次PR更新是 2008 年 1 月中旬。PageRank 相关算法总结：1.PageRank 基本思想：如果网页T 存在一个指向网页A 的连接，则表明T 的所有者认为 A 比较重要，从而把T的一部分重要性得分赋予A。这个重要性得分值为：PR（T）/C(T) 名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 15 页，共 27 页 - - - - - - - - - 其中 PR （T）为 T 的 PageRank 值，C(T)为 T 的出链数，则 A 的 PageRank 值为一系列类似于T 的页面重要性得分值的累加。优点：是一个与查询无关的静态算法，所有网页的PageRank 值通过离线计算获得；有效减少在线查询时的计算量，极大降低了查询响应时间。不足：人们的查询具有主题特征，PageRank 忽略了主题相关性，导致结果的相关性和主题性降低；另外， PageRank 有很严重的对新网页的歧视。2.Topic-Sensitive PageRank （主题敏感的 PageRank）基本思想：针对PageRank 对主题的忽略而提出。核心思想：通过离线计算出一个PageRank 向量集合，该集合中的每一个向量与某一主题相关，即计算某个页面关于不同主题的得分。主要分为两个阶段：主题相关的PageRank 向量集合的计算和在线查询时主题的确定。优点：根据用户的查询请求和相关上下文判断用户查询相关的主题（用户的兴趣）返回查询结果准确性高。不足：没有利用主题的相关性来提高链接得分的准确性。3.Hilltop 基本思想：与 PageRank 的不同之处：仅考虑专家页面的链接。主要包括两个步骤：专家页面搜索和目标页面排序。优点：相关性强，结果准确。不足：专家页面的搜索和确定对算法起关键作用，专家页面的质量决定了算法的准确性，而专家页面的质量和公平性难以保证；忽略了大量非专家页面的影响，不能反应整个Internet 的民意；当没有足够的专家页面存在时，返回空，所以Hilltop 适合对于查询排序进行求精。那么影响 google PageRank 的因素有哪些呢 ? 1 与 pr 高的网站做链接 : 2 内容质量高的网站链接3 加入搜索引擎分类目录4 加入免费开源目录5 你的链接出现在流量大、知名度高、频繁更新的重要网站上6google 对 DPF 格式的文件比较看重。7 安装 Google 工具条名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 16 页，共 27 页 - - - - - - - - - 8 域名和 tilte 标题出现关键词与meta 标签等9 反向连接数量和反向连接的等级10Google 抓取您网站的页面数量11 导出链接数量PageRank 科学排名遏止关键字垃圾目前，五花八门的网站为争夺网上排名采用恶意点击和输入关键字垃圾的手段来吸引网民的眼球，无论对于互联网企业还是互联网用户，这都不是一个好现象。为了解决这样的问题，Google 创始人之一拉里 .佩奇（ Larry Page）发明了一种算法PageRank，是由搜索引擎根据网页之间相互的超链接进行计算的网页排名。它经常和搜索引擎优化有关。PageRank 系统目前被 Google 用来体现网页的相关性和重要性，以便科学排名，遏止关键字垃圾。PageRank 这个概念引自一篇学术论文的被媒体转载的频度，一般被转载的次数越多，这篇论文的权威性就越高，价值也就越高。PageRank 是 1998 年在斯坦福大学问世的，2001 年 9 月被授予美国专利。 如今它在Google 所有算法中依然是至关重要的。在学术界 , 这个算法被公认为是文献检索中最大的贡献之一，并且被很多大学引入了信息检索课程(Information Retrieval) 的教程。PageRank 通过对由超过5 亿个变量和20 亿个词汇组成的方程进行计算，能科学公正地标识网页的等级或重要性。 PR级别为 1 到 10，PR值越高说明该网页越重要。例如：一个PR 值为 1 的网站表明这个网站不太具有流行度，而 PR 值为 7 到 10 则表明这个网站极其重要。PageRank 级别不是一般的算术级数，而是按照一种几何级数来划分的。PageRank3 不是比 PageRank2 好一级，而可能会好到数倍。PageRank 根据网站的外部链接和内部链接的数量和质量来衡量网站的价值。PageRank 的概念是，每个到页面的链接都是对该页面的一次投票，被链接得越多，就意味着被其他网站投票越多。Google 有一套自动化方法来计算这些投票，但Google 的排名算法不完全基于外部链接。PageRank 对来自不同网页的链接会区别对待，来自网页本身排名高的链接更受青睐，给这些链接有较大的权重。同时， Google 不只是看一个网站的投票数量，或者这个网站的外部链接数量。它会对那些投票的网站进行分析。如果这些网站的PR 值比较高，则其投票的网站可从中受益。因此，Google 的技术专家提醒人们，在建设网站的外部链接时，应尽可能瞄准那些PR 值高且外部链接数又少的网站。这样的外部链接站点越多，你的PR 值就会越高，从而使得你的Google 排名得到显著提升。PageRank 的另一作用是对关键字垃圾起到巨大的遏制作用。眼下，一些垃圾网站为了提高点击率，用一些与站点内容无关的关键字垃圾壮声威，比如用明星的名字、用公共突发事件称谓等。这些网页的目的或是为了骗取广告点击，或是为了传播病毒。还有一些无赖式的博客评论也从中搅局，在网上招摇过市，骗取网民的注意力，这也被网络技术人员名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 17 页，共 27 页