使用PageRank算法排名网站
此示例显示如何使用PageRank算法对网站的集合进行排名。虽然PageRank算法最初被设计为排序搜索引擎结果，但它也可以更广泛地应用于许多不同类型的图表中的节点。PageRank评分基于如何连接到其他节点，给出了每个图节点的相对重要性。
从理论上讲，PageRank值是限制概率，每个网站上有人随意点击链接将在任何特定网页到达。因此，与高分页面高度连接并在网络中发现的，它更可能随机Web浏览者访问该网页。
算法描述
在PageRank算法的每个步骤中，每个页的分数是根据更新，
r =（1-p）/ n + p *（a'*（r./d）+ s / n）;
R.是的PageRank分数的向量。P.是一个标量阻尼因子（通常为0.85），其的概率是在当前页上的链接，而不是继续另一随机页面上，在随机冲浪者点击。一种'是图的邻接矩阵的转置。D.是包含出度图表中的每个节点的向量。D.被设定为1对于没有输出边沿节点。N是图中的标量数的节点。S.PageRank分数的标量和没有链接的页面。
换句话说，每个页面的等级主要基于链接到它的页面的级别。期限A'*（R./D）从图表中的每个节点中选择链接的源节点的分数，并且分数由这些源节点的出站链接总数归一化。这确保了PageRank分数的总和始终是1。例如，如果节点2链接到节点1,3和4，则它会传输1/3其PageRank的算法的每一次迭代过程中得分给每个那些节点。
创建一个图表，说明每个节点如何将其PageRank分数赋予图表中的其他节点。
S = {'一种''一种''一种''B''B''C''D''D''D'};t = {'B''C''D''D''一种''B''C''一种''B'};g = digraph（s，t）;标签= {'A / 3''A / 3''A / 3''B / 2''B / 2''C''d / 3''d / 3''d / 3'};P =情节（G，'布局'那'分层'那'Edgelabel'，标签）;突出显示（p，[1 1 1]，[2 3 4]，'EdgeColor'那'G'）突出显示（p，[2 2]，[1 4]，'EdgeColor'那'r'）亮点（P，3,2，'EdgeColor'那'M'） 标题（'PageRank分数在节点之间传输'）
这居民功能包含了计算的PageRank分数的选项。
PageRank有6个节点
创建并绘制包含代表虚拟网站六个节点有向图。
S = [1 1 2 2 3 3 3 4 5];T = [2 5 3 4 4 5 6 1 1];名称= {'http://www.example.com/alpha'那'http://www.example.com/beta'那......'http://www.example.com/gamma'那'http://www.example.com/delta'那......'http://www.example.com/epsilon'那'http://www.example.com/zeta'};G =有向图（S，T，[]，名称）
G =有向图具有属性：边缘：[9X1表]节点：[6X1表]
绘图（g，'布局'那'分层'那......'nodelabel'，{'α'那“测试版”那“伽马”那'三角洲'那“小量”那'Zeta'}）
计算PageRank的核心地位分数这个图。使用的后续概率（或称为阻尼因子）0.85。
Pr = Centrality（G，'网页排名'那'FollowProbability'0.85）
Pr =6×10.3210 0.1706 0.1066 0.1368 0.2008 0.0643
查看PageRank的分数和每一页程度的信息。
G.Nodes.PageRank = PR;G.Nodes.InDegree =入度（G）;G.Nodes.OutDegree =出度（G）;G.Nodes.
ans =.6×4表姓名pagerank indegree oderegree ______________________________ _______________________ {'//www.example.com/alpha'} 0.32098 2 2 {'http://www.example.com/beta'} 0.17057 1 2 {'http：//www.example.com/gamma'} 0.10657 1 3 {'http：//www.example.com/delta'} 0.13678 2 1 {'http://www.example.com/epsilon'} 0.20078 2 1 {'http://www.example.com/zeta'} 0.06432 1 0
结果表明它不仅仅是数字确定得分的页面链接，还有质量。这α和伽玛网站都有的4总额度，但α链接到两个埃斯利昂和bet，这也是高度排名的。伽玛只能通过一个页面链接，bet，这是在列表的中间。因此，α在得分高于伽玛通过算法。
在mathworks.com网站的PageRank的
加载数据mathworks100.mat并查看邻接矩阵，一种。使用自动页面履带在2015年产生该数据。该网页爬虫开始在//www.tatmou.com.直到邻接矩阵包含在100个独特的网页连接信息，随后联系到随后的网页。
加载mathworks100.mat间谍（A）
使用稀疏邻接矩阵创建定向图形，一种，使用包含的URL你作为节点名称。
G =有向图（A，U）
g =带有属性的数字：边缘：[632x1表]节点：[100x1表]
使用力布局绘制图形。
绘图（g，'nodelabel'，{}，'nodecolor'，[0.93 0.78 0]，'布局'那'力量'）;标题（“网站链接到//www.tatmou.com”）
计算PageRank的分数图，G使用200次迭代和阻尼因子0.85。分数和等级信息添加到图的节点表中。
Pr = Centrality（G，'网页排名'那'MaxIterations'，200，'FollowProbability'，0.85）;G.Nodes.PageRank = PR;G.Nodes.InDegree =入度（G）;G.Nodes.OutDegree =出度（G）;
查看最高25个结果分数。
G.Nodes（1:25，:)
ans =.25×4表名称的PageRank入度出度______________________________________________________________________________ ________ ________ { '//www.tatmou.com'} 0.044342 20 14 { '//www.tatmou.com/ch'} 0.043085 20 14 {'HTTPS：//cn.mathworks。COM”} 0.043085 20 14 { '//www.tatmou.com/jp'} 0.043085 20 14 { '//www.tatmou.com/kr'} 0.043085 20 14 { '//www.tatmou.com/uk'} 0.043085 20 14 { '//www.tatmou.com/au'} 0.043085 20 14 { '//www.tatmou.com/de'} 0.043085 20 14 { '//www.tatmou.com/es'} 0.04308520 14 { '//www.tatmou.com/fr'} 0.043085 20 14 { '//www.tatmou.com/in'} 0.043085 20 14 { '//www.tatmou.com/it'} 0.043085 20 14{ '//www.tatmou.com/nl'} 0.043085 20 14 { '//www.tatmou.com/se'} 0.043085 20 14 {'//www.tatmou.com/index.html%3Fnocookie%3Dtrue”} 0.0015 0 1 { '//www.tatmou.com/company/aboutus/policies_statements/patents.html'} 0.007714 6 6⋮
提取并绘制包含其分数大于所有节点子图0.005。根据其PageRank分数彩色图形节点。
h =子图（g，find（g.nodes.pagerank> 0005））;情节（h，'nodelabel'，{}，'NodeCData'，H.Nodes.PageRank，'布局'那'力量'）;标题（“网站链接到//www.tatmou.com”）彩色栏
顶级网站的PageRank分数都非常相似，使得随机网络冲浪者大约有4.5％的机会降落在每页上。这一小组高度连接的页面在图中形成了一个集团。连接到这个中央集团是几个较小的派系，它们在自己之间高度相连。
参考
致莫尔，C.Matlab的实验。第7章：谷歌PageRank。Mathworks，Inc。，2011年。
也可以看看
您还可以从以下列表中选择一个网站：
