Google矩阵简介及其性质.docx

Google矩阵简介和它的性质【摘要】Google矩阵是评判网页级别（PageRank）的重要工具，本文将介绍Google矩阵的定义和性质，并对Google特征值的相关性质做出证明，归纳出估计其主特征值的特征向量的几种方法。【关键词】Google矩阵；特征值；主特征向量一．引言Google公司利用PageRank系统完成对网页级别的评判，在计算一个网页的PageRank值时，除了要考虑此网页被多少网页链接，还要考虑这些网页本身的质量（即这些网页自身的PageRank 值）。链入的网页质量越高，则此网页的得分也会越高，得分越高的网页相应的级别也就越高。总的看来，网页的PageRank值取决于链入网页数，链入网页的质量和链入网页的链出网页。一．Google矩阵的简介为使读者能完全理解Google矩阵的定义，本文将首先引入两个概念：Markov矩阵：如果n阶实矩阵满足：（每行元素之和均为一的非负矩阵），就称是一个Markov矩阵；随机矩阵：如果都是Markov矩阵，则称是一个随机矩阵。有了上述的两个概念之后，Google矩阵的定义如下；Google矩阵：如果n阶实矩阵满足：（其中）其中是一个Markov矩阵，e是一个所有元素均为1的列向量，v是一个概率分布向量，即所有元素非负，且相加和为1，就称是一个Google矩阵。注： c的经验值为0.85c0.99；v被Google称作个性化向量，它的选取方案Google是不公开的； Google矩阵的创始人Brin和Page在测试Google矩阵时选取的是c=0.85和v的所有元素均为1/n。Google矩阵的解释：这里的B相当于网络页面的邻接矩阵，若页面i向页面j有链接，则=1；否则=0。再将每行除以它们的链接数，使得每行的行和为1（全概率）。而c的引入可以理解为：由于现实网络并不都是强连通的，故从每个页面出发，通过正向链接而到达新页面的概率是c，而通过键入新地址到达新页面的概率是（c又被称作阻尼系数）。又由于A的最大特征值对应的特征向量（主特征向量）便是要求的各网页的pagerank,故最大特征向量成为二．Google矩阵的性质由于Google矩阵的特殊性，它有许多特殊的性质：（1）Google矩阵的特征值满足0||1；（2）Google矩阵的最大特征值为1（当为正矩阵时，最大特征值为单根）；（3）设为A的第二特征值，即是A的第二大的特征值，则；下面我们将证明Google矩阵的上述性质：性质1Google矩阵的特征值满足0||1.为了证明性质1，我们先引入Gerschgorin圆盘定理：设矩阵，则A的任一特征值满足如下关系：，其中，称为A的行盖尔圆；而，通常称为盖尔圆的半径；在这里称作行盖尔区域。证由于的特征值相同，故我们可设的第i行元素为，则……①又由于Google矩阵是非负矩阵，故这里的①式可以写为，即每个特征值的模不大于其最大行和，而矩阵行和均为1，即，即定理1得证。性质2Google矩阵的最大特征值为1（当为正矩阵时，最大特征值为单根）为了证明性质2，我们首先引入矩阵不可约的概念：若矩阵对应的有向拓扑是强连通的，即从任一节点i到j都是有路径的,就称矩阵是不可约的。证 由定理1可知，Google矩阵的特征值满足，又由于的行和为1，故1显然为的特征值，所以1也是的特征值，所以1就是的最大特征值。但由于现实网络不都是强连通的，故google矩阵的最大特征值就不一定是单根，则此时对应的主特征向量也就不止一个，造成网页的pagerank不唯一。为了简化问题，我们将Google矩阵中v的所有元素均取为1/n,c取为0.85，这样Google矩阵就成为了一个所有元素均为正的矩阵。显然，正矩阵是不可约的，于是由Perrons定理可知，是的单特征根。性质3设为的第二特征值，即是的第二大的特征值，则为了证明性质3，我们首先要证明的非主特征值的特征向量正交于向量e（其中e为n维全一的向量）。设A的非主特征值对应的特征向量为，即，故有如下等式：其中是因为是列和为1的矩阵，故是行和为1的矩阵，所以。又由于是单特征根，所以不等于1，所以=0，即与正交。证 设矩阵对应于特征值的单位特征向量为，则，两边同时左乘，即而，因而所以，而B是一个Markov矩阵，故行和为1，所以。三．估计Google矩阵的主特征向量的方法1.幂法求解为了简化问题，我们不妨在此处将问题简化为Google矩阵的特征值满足，且设各特征值对应的特征向量……线性无关，接着我们构造一个非零向量……则可以得到如下等式；，k=1,2，……若记为的第i个分量, 则有又由于，故当k很大时，，所以可以得到即当k趋近于无限大时，趋近于的特征向量的倍数，即趋近为的特征向量。2.用线性方程组的思路求解由可以得到，去除括号后可以得到如下等式：所以，即，而，