从SALAS算法到拭魅战外链留意事项解析

SALSA算法的初志盼望可以或许联合PageRank和HITS算法两者的重要特色，既可以应用HITS算法与查询相干的特色，也可以采用PageRank的“随机游走模子”，这是SALSA算法提出的布景。由此可见，SALSA算法融会了PageRank和HITS算法的基础思惟，从现实后果来说，良多试验数据表白，SALSA的搜刮后果也都优于前两个算法，是今朝后果最好的链接剖析算法之一。

" t6 j( p+ j* |1 t5 f2 C

从整体盘算流程来说，可以将SALSA划分为两个年夜的阶段：起首是断定盘算对象聚集的阶段，这一阶段与HITS算法基础雷同；第二个阶段是链接关系传布进程，在这一阶段则采用了“随机游走模子”。

6.5.1断定盘算对象聚集

PageRank的盘算对象是互联网所有网页，SALSA算法与此分歧，在本阶段，其与HITS算法思绪年夜致雷同，也是先获得“扩充网页聚集”，之后将网页关系转换为二分图情势。

1 ~' r0 t. F* I6 |: Z! K

扩充网页聚集

% X: t. w4 M) t0 i% i

SALSA算法在接受到用户查询恳求后，应用现有搜刮引擎或者检索体系，获得一批与用户查询在内乱容上高度相干的网页，以此作为“根集”。并在此基本上，将与“根集”内乱网页有直接链接关系的网页纳进，形成“扩充网页聚集”（参考图6.4.3-1）。之后会在“扩充网页聚集”内乱依据必定链接剖析方式获得终极搜刮成果排名。

转换为无向二分图

在获得了“扩充网页聚集”之后，SALSA依据聚集内乱的网页链接关系，将网页聚集转换为一个二分图。即将网页划分到两个子聚集中，一个子聚集是Hub聚集，别的一个子聚集是Authority聚集。划分网页节点属于哪个聚集，则依据如下规矩：

$ C" W% R0 |, d0 x9 E# ]  W) m

假如一个网页包括出链，这些出链指向“扩充网页聚集”内乱其它节点，则这个网页可被回进Hub聚集；

假如一个网页包括“扩充网页聚集”内乱其它节点指向的进链，则可被回进Authority聚集。

由以上规矩可以看出，假如某个网页同时包括进链和出链，则可以同时回进两个聚集。同时，Hub聚集内乱网页的出链构成了二分图内乱的边，依据以上法例，将“扩充网页聚集”转换为二分图。

图6-15和图6-16给出了一个示例，阐明了这个转换进程。假设“扩充网页聚集”如图6-15所示，由6个网页组成，其链接关系如图所示，同时为便于阐明，每个网页赐与一个独一编号。图6-16则是将图6-15中的网页聚集转换为二分图的成果。以网页6为例，由于其有出链指向网页节点3和网页节点5，所以可以放进Hub聚集，也由于编号为1、3、10的网页节点有链接指向网页节点6，所以也可以放进Authority聚集中。网页节点6的两个出链保存，作为二分图的边，

' [. n1 L; c# l+ b0 _( ~& W0 B. Q                                         图6-15 扩充网页聚集示例

可是这里须要留意的是，在转换为二分图后，本来的有向边不再保存标的目的，转换为无向边，而HITS算法仍然保存为有向边，这点与SALSA略有分歧。                      图6-16   二分图 到这一步调为止，除了SALSA将“扩充网页聚集”转换为无向二分图，而HITS仍然是有向二分图外，其它步调和流程，SALSA算法与HITS算法完整雷同，正是以，SALSA包管了是与用户查询相干的链接剖析算法。

  Z6 [% B5 o6 b) y! q' |4 l# F/ l6.5.2 链接关系传布

$ M) F( c7 y3 ^1 [5 s, I5 M* u

在链接关系传布阶段，SALSA废弃了HITS算法的Hub节点和Authority节点彼此加强的假设，转而采用PageRank的“随机游走模子”。

链接关系传布概念模子

; Y* C# g. o% g2 P

如图6-16所示，假设存在某个阅读者，从某个子聚集中随机选择一个节点动身（为便利阐明，图中所示为从Hub子集的节点1动身，现实盘算往往是从Authority子集动身），假如节点包括多条边，则以相等概率随机选择一条边，从Hub子集跳跃到Authority聚集内乱节点，图中所示为由节点1转移到节点3，之后从Authority子集再次跳回Hub子集，即由节点3跳到节点6。如斯不竭在两个子集之间转移，形成了SALSA自身的链接关系传布模式。

尽管看上往与PageRank的链接传布模式分歧，实在两者是一样的，要害点在于：其从某个节点跳跃到别的一个节点的时辰，假如包括多个可供选择的链接，则以等概率随机选择一条路径，即在权值传布进程中，权值是被所有链接均匀分派的。而HITS算法分歧，HITS算法属于权值广播模式，即将节点自己的权值完整传布给有链接指向的节点，并不依据链接几多进行分派。

  d$ j" j6 F# n' u1 }: X

SALSA的上述权值传布模子与HITS模子存眷重点分歧，HITS模子存眷的是Hub和Authority之间的节点彼此加强关系，而SALSA现实上存眷的是Hub-Hub以及Authority-Authority之间的节点关系，而别的一个子聚集节点只是充任中转桥梁的感化。所以，上述权值传布模子可以转化为两个类似的子模子，即Hub节点关系图和Authority节点关系图。

; i  p4 \# O/ X% B( @

Authority节点关系图

图6-17是由6-16的二分图转化成的“Authority节点关系图”，“Hub节点关系图”与词攀类似，两者转化进程是类似的，我们以“Authority节点关系图”为例来看若何从二分图转化为节点关系图。

            图6-17  Authority节点关系图

  这里须要留意的是：Authority聚集内乱从某个节点i转移到别的一个节点j的概率，与从节点j转移到节点i的概率是分歧的，即非对称的，所以转换后的Authority节点关系图是个有向图，以词攀来表现其转移概率之间的差别。对于图6-17这个“Authority节点关系图”来说，图中包括的节点就是二分图中属于Authority子集的节点，要害在于节点之间的边若何树立以及节点之间转移概率若何盘算。

节点关系图中边的树立

- k5 s. d0 z) }6 P; c' ?之所以在“Authority节点图”中，节点3有边指向节点5，是由于在二分图中，由节点3经由过程Hub子集的节点6中转，可以灵通节点5，所以两者之间有边树立。

这里须要留意的是：在二分图中，对于Authority聚集内乱某个节点来说，必定可以经由过程Hub子集的节点中转后再次返回自己，所以必定包括一条指向自身的有向边。节点1由于只有中转节点2使得其返回Authority子集中自身节点，所以只有指向自身的一条边，和其它节点没有边接洽，所以例子中的“Authority节点关系图”由两个连通子图组成，一个只有节点1，别的一个连通子图由残剩几个节点组成。

- [( C! D6 r! i. W

节点之间的转移概率

至于为何“Authority节点关系图”中，节点3到节点5的转移概率为0.25，是由于前面先容过，SALSA的权值传布模子遵守“随机游走模子”。在图6-16的二分图中，从节点3转移到节点5的进程中，节点3有两条边可做选择来跳转到Hub子集，所以每条边的选择概率为1/2，可以选择此中一条边达到节点6，同样，从节点6跳回到Authority子集时，节点6也有两条边可选，选中每条边的概率为1/2。所以从节点3动身，经过节点6跳转到节点5的概率为两条边权值的乘积，即为1/4。

$ r7 s; e" P# C& T# v& O& _( t) i  G

对于指向自身的有向边，其权重盘算进程是相似的，我们仍然以节点3为例，指向自身的有向边代表从Authority子集中节点3动身，经过Hub子集的节点再次返回节点3的概率。从6-16的二分图可以看出，完成这个进程有两条路径可走，一条是从节点3到节点1返回；别的一条是从节点3经过节点6后返回；蔑在突条路径的概率与上面所述盘算方式一样，由于两条路径各自的概率为0.25，所以节点3返回自身的概率为两条路径概率之和，即为0.5。图中其它边的转移概率盘算方法也是类此。

6 o' n$ ?5 h1 f& W5 y

树立好“Authority节点关系图”后，即可在图上应用“随机游走模子”来盘算每个节点的Authority权值。在现实盘算进程中，SALSA将搜刮成果排序题目进一步转换为求Authority节点矩阵的主秩题目，矩阵的主秩即为每个节点的响应Authority得分，依照Authority得分由高到低摆列，即可获得终极的搜刮排序成果。

/ i; z, x6 y4 h* l) h+ d

6.5.3Authority权值盘算

( w) b7 I5 _' _7 f( j           图6-18  SALSA节点权值盘算公式

" m; i% P9 v8 w3 k

颠末数学推导，可以得出SALSA与求矩阵主秩等价的Authority权值盘算公式。图6-18示意图表白了SALSA算法中某个网页节点的Authority权值是若何盘算的。如图右上角公式所示，决议某个网页i的Authority权值涉及到4个因子：

' h$ ?2 O8 c# ?

Authority子集中包括的节点总数|A|。实在这个因子对于Authority聚集中肆意节点来说都是雷同的，所以对于终极的依据节点Authority权值进行排序没有影响，只是起到包管权值得分在0到1之间，可以或许以概率情势表现权值的感化；

网页i地点连通图中包括的节点个数|Aj|。网页地点的连通图包括的节点个数越多，则网页的Authority权值越年夜；

网页i地点连通图中包括的进链总数|Ej|。网页地点的连通图包括的进链总数越少，则网页的Authority权值越年夜；

网页i的进链个数|Bi|。节点进链越多，则Authority权值越年夜，这个因子是独一一个和节点自己属性相干的。由此可见，SALSA权值盘算和节点进链个数成正比。     之前图6-17的“Authority节点关系图”由两个连通子图构成，一个由独一的节点1组成，别的一个由节点3、5、6三个节点组成，两个连通子图在图6-18中也被分辨圈出。  我们以节点3为例，看其对应的四个盘算身分取值：

Authority子集共包含4个节点；

节点3地点连通图包括3个节点；

9 e+ `9 J. d$ u, W% `( n

节点3地点连通图共有6个进链；

节点3的进链个数为2；

6 r4 l; l& E1 Z  所以，节点3的Authority权值为：（3/4）*(2/6)=0.25。其它节点权值的盘算进程与词攀类似。SALSA依据节点的Authority权值由高到低排序输出，即为搜刮成果。  由上述权值盘算公式可以推论出：假如全部Authority子集所有节点形成一个完全的连通图，那么在盘算authority权值进程中，对于肆意两个节点，4个因子中除了节点进链个数外，其它三个因子老是雷同，即只有进链个数起感化，此时，SALSA算法退化为依据节点进链个数决议排序次序的算法。  从SALSA盘算Authority得分进程中可看出，SALSA算法不需像HITS算法一样进行不竭迭代盘算，所以从盘算效力角度看要快于HITS算法。别的，SALSA算法解决了HITS算法的盘算成果主题漂移的题目，所以搜刮质溜在筒优于HITS算法。SALSA算法是今朝后果最好的链接算法之一。

总结：

3 W, f0 ^4 `9 \# R

1、有一些人老是爱好看屎布然后判定一个词优化难易水平，如许有没有事理？
假如，这里只能说假如，假如把收如的页面都看做节点的话，在总节点不变的情形下，那么AJ就会年夜，AJ越年夜，那上往的网站，权重值算出来就越高。权重值越高，你就越难超出！、

2、链接越多，权重越高？
理论上是如许，依据图上的公式盘算，链接数是Bi,bi越年夜，那这个页面的authority就会越年夜，究竟BI是分子，小学数学城市算

3、同样是10条外链，为什么两个站之间排名差距很年夜？
Ej做为分母来讲，当然越小越年夜，假如一个行业其他网站都没怎么做链接，我们做链策应该是比拟好用的。同样的进链，分歧的总数，确定后果显明。也可以想，为什么同样的外链，对分歧的行业有分歧行反映。

4、root(根集)SALSA算法的根集是什么？、
; Y. L$ F7 z9 E; p3 H  P5 E* v4 p8 s根集是一些比拟好的页面，好比拿seo行业，可能济南SEO或是济南网站优化排名前2页的就是根集！

5、SALSA算法还有哪些特色？
（1）有hits算法身分，在相干性、页面威望度方面要留意。一个权7的┞肪 和一个权0的┞肪 导向你的权重是纷歧样的。一个有1000条外链的┞肪，和一个无外链的┞肪，导向你也是分歧的。
（2）同样是hits，一个高质量的威望站导向你是分歧的。一个好的hub页面，好比hao123导航导向你的权重也是纷歧样的。
4 X# i: L( w& i7 S- b. i# O（3）pageRank身分。重要是导出链接，这里数目就不说了。pageRank比hits强的一点是，均匀分派，也可以说是一个页面有10个导出，实在他向每个链接点击的概念都是雷同的。
如许的话，导出越多，分的authority就会越小。同样是一个权1的┞肪，有100个导出和10个导出，也是完整两个概念。

8 l) K/ e0 H: b$ V

研讨算法，能让你清楚SEO的一些本质和道理。不至于那么苍茫！

呵呵 我可不敢~~~~

@,@..是什么意思呀？

哇~~` 你是不是投胎滴时候走错地方啦~``

教教我怎么seo