Google--PageRank(网页级别)技术解密（二）

7. 非PageRank因素阙值
8. 使用阙值推知两种排名策略的价值
9. PageRank的计算

　　七：非PageRank因子的上限阙值(Non-PageRank Factor Threshold)
　　除了PageRank外，其它排名因子都存在一个阙值，也叫临界值或差值。即当增长到一定值时，因子的重要性反而开始慢慢降低，则该值就是非PageRank因子的阙值。

　　设阙值为1,000，如果网页A和B是我们对某一查询条件的其中两个查询结果，且A的总分数(包括页面因子得分和PageRank得分)是900，B是500，则显然A会排在B的前面。但由于A和B的分数均低于我们上面假设的非PageRank因子阙值，因而在不改变PageRank的情况下，我们可以通过对B页进行精心的页面优化使页面因子分数得到提高来使其排名超过A。但如果A的总得分升至1,100分，则B若还只是一味优化页面因子是远远不够的。在这种情况下，提升PageRank就成为首要任务了。

　　一般说来，Google的查询结果页中既可能包含一些分数超过阙值的网页，也可能包含一些分数低于阙值的网页。所以：

　　为了提高竞争能力，必须在阙值范围内尽可能提高页面的搜索引擎排名得分，否则会降低页面的竞争力。“页面因子”是接近和达到阙值最迅捷的方式，它与PageRank的结合使用才是提升网站排名得分的最佳优化策略。

　　八：使用阙值推知两种排名策略的价值
　　阙值解释了搜索引擎商所遵循的原则和不同的实施途径，同时亦阐述了为什么会产生关于PageRank的一些误解。我们可以把这两种策略当成两个人A和B。

　　A认为“PageRank”并不重要。他们已有数年网页优化经验并知道如何完美地利用“页面因素”来达到优化的目的。他们亦理解基本的锚文本，但对PageRank得分毫不在意。结果如何呢？由于最大化地使用了“页面因子”，从而使A迅速达到“非PageRank因子的阙值”。所以通过精心选择关键词可使他们获得较好的网站排名。而且只要网站内容比较好，随着时间推移总会有排名高的站点链接，涓涓细流汇成河。A最后亦得到了PageRank得分，并籍此巩固了排名。

　　B认为“PageRank”十分重要。他掌握了很多关于提升PageRank得分的信息，并为提高该得分下足了工夫。结果又如何呢？B的做法和A相反，但A在非PageRank因子上下工夫，结果却得到了PageRank得分。而B在PageRank因子上下工夫，结果却得到非PageRank因子得分。究其原因，就是由于提高PageRank得分需要外部链接，链接又具有锚文本，从而通过精心挑选外部链接的锚文本，B自发提高了其非PageRank因子的得分，从而赢得了较高的PageRank得分。

　　虽然这只是两个极端，但我们可以利用它们来推知这两种途径各自的优缺点：

　　对象 优点 缺点
　　A：忽略PageRank 网站排名在短期内就可得到提升

　　自我生成链接节省了工作量
　　需投入大量工作维持网站排名

　　对新竞争者的应变速度较慢

　　B：忽略页面排名因子 可获得可靠网站排名，并可在需要时轻松修改页面因素使排名迅速提升

　　极可能从非搜索类引擎来源上获得更高访问量
　　网站排名提升较慢

　　操作难度较大

　　容易为SPAM过滤程序所制

　　事实上，我们前面说过，最终排名得分=所有非PageRank因子实际得分x实际PageRank得分。亦即二者相辅相成，再加上随着网上营销方式的发展壮大，关键词的竞争也变的愈来愈激烈，这种情况下只靠非PageRank因子得到好排名显然是不可能的。而且非PageRank因子存在着阙值的局限性。同时，对于竞争性极高的关键词，还存在着PageRank下限的问题。也就是说，除非网站的PageRank得分超过这个下限标准，否则网站排名很难上去。PageRank的下限由关键词的竞争度所决定。竞争性一般的关键词PageRank下限也不高，而对竞争较为激烈的关键词来说，它所要求的PageRank下限相应就要高。而PageRank得分的提升又非常有难，这时候非PageRank因子就变的非常重要了。
　　综上所述：我们需要充分发挥各排名因子的优势来赢取理想的综合排名得分。同时关键词(竞争度适宜)的精心选择亦变的非常重要，它可以节省大量的支出。

　　九：PageRank的计算方法
　　PageRank (A) = (1-d) + d(PageRank (T1)/C(T1) + ... + PageRank (Tn)/C(Tn))
　　其中PageRank (A)表示给定页面A的PageRank得分；
　　D为阻尼因子，一般设为0.85；
　　PageRank (T1)表示一个指向A页的网站其本身的PageRank得分；
　　C(T1)表示该页面所拥有的导出链接数量；
　　PageRank (Tn)/C(Tn)表示为每一个指向A页的页面重复相同的操作步骤。

　　事实上，计算某个页面的PageRank得分需要大量繁复计算。例如若计算A页的PageRank得分则首先要知道所有链至A页的网页(导入链接)的PageRank得分。要想知道这些外部链接页的PageRank得分，又需要先知道这些页面的外部链接的PageRank得分，等等。我们只需要知道：

　　A页的外部链接B能够带给A的PageRank得分与B的导出链接数量成反比，即随着B上导出链接数的增加，带给A的PageRank得分亦随之降低。这同样表明了一个网页的PageRank得分是该网页对其它页面投票的一个基本的度量形式。一个网页可以投票给一个或多个导出链接，但其总投票权一定，并被平均分配给所有的导出链接。假设B的PageRank得分是5，且B上只有一条指向A的链接，那么A将获得B全部的PageRank得分(B没有损失任何东西，而A赢得了B的PageRank得分)。但如果B上有N个链接，则A只能得到B的PageRank得分的N分之一。

　　我们可以用图表来阐述其工作原理。假设有四个网页A，B，C和D，它们相互链接，如表-1所示：

　　表-1：链接前的PageRank得分

表-2：链接后的PageRank得分

　　假设这四个网页初始PageRank得分均为0。则根据上面的公式它们的PageRank得分都是0.15。我们计算一下链接后各自的PageRank得分情况。
　　1.A链向B、C和D。A的初始PageRank得分是0.15，所以A的导出链接获得PageRank得分总数为 0.85 * 0.15 = 0.1275。B，C和D三个网页各得0.0425分。
　　2.B链向C、B的初始PageRank得分也是0.15，所以其唯一链接页面C所能够获得的PageRank得分是0.85 * 0.15 = 0.1275分。
　　C链向A，其0.1275的PageRank得分传递给唯一链接对象A。
　　D链向C，其0.1275的PageRank得分传递给了C。
　　现在各网页的PageRank得分结果如下：
　　A：0.15 + 0.1275 (得自C) = 0.2775
　　B：0.15 + 0.0425 (得自A) = 0.1925
　　C：0.15 + 0.0425 (得自A) + 0.1275 (得自B) + 0.1275 (得自D) = 0.4475
　　D：0.15 + 0.0425 (得自A) = 0.1925(如表-2所示)
　　继续这样的计算，直到每个页面的数值逼近一个定值(PageRank属收敛函数)。最后可以发现，C的PageRank最高。而且外部链接的数量显著地改变了PageRank得的分布。

　　表-3：最后的PageRank得分结果

　　表-4：外部链接与PageRank得分对照表：