http://www.wocaoseo.com/thread-248-1-1.html
前不久看到一个搞笑的说法,有人问谷歌PR的计算是PR值=0.15+0.85*(A网页传递值+B网页传递值……),那么我是不是可以这么想,假如我不要后面的部分,每个网页只让他传递0.15的值,那么如果我做100个外链,PR值不等于15了吗,这个计算公式是不是很扯呢?


很有意思吧,虽然他的想法很单纯,但是这么一个问题却其实是很多人没有提出来过的,按照百度百科上的解释,我们可以看到其计算方式肯定是不完善的。百科的PR计算公式:PR(A)=(1-d)+d(PR(t1)/C(t1)+…+PR(tn)/C(tn),对于这个公式,我们按照最简单的思维思考的话,比如我们起源seo论坛首页www.wocaoseo.com作为计算的目标页PR(A),外部链接都是原始的页面且没有导向其他的页面链接的话,那么百科的计算公式可以简化为PR(A)=0.15+0.85*(0.15+0.15+0.15…X…),其中假使外部链接的页面个数是X的话,如果需要我们的目标页面PR是1的话,我们大约需要做7个外链就可以了,如果需要目标页面PR值是2个的话,只需要15个,需要PR值是3的话,只需要23个外链……我们可以很明显地感觉到这里存在一些问题,因为他们呈现出等差数列,也就是假如做从PR2到PR1的外链个数就可以把目标页从PR2到PR3,这个明显是不可能的。那么到底哪里出错了呢?


或许你觉得可能是我们的计算省略问题,但是即使计算不省略,也就是每个网页的导出链接个数可能是10或者更多,但是这个也只是比例问题,最终导致需要提升的个数增加,但是这个等差数列的关系是不变的,因为他改变的是一个常量而不是变量,所以这个百度百科的公式肯定存在一个知名的问题,而找到这个问题才有可能解决我们对PR的理解。


其实,我们可以换一种思维,假如百度百科的的PR计算公式是正确的,如果我们有一个刚刚建立的新目标页面,假如一种情况是PR1的首页给我们做了一个友情链接,而且只有我们一个外链,那么我们的PR这时候就是1。而一种情况PR9的页面有8个外部链接,再加上我们的是9个外链链接,按照其计算公式我们的PR值应该也是1。但是现实是什么,假如一个PR9的页面只有9个外链而且给我们一个页面的话,我们的PR值可能是非常高的,肯定会超过1。那么到底哪里出错了呢?


我们知道,PR的来源是随机浏览模型,PR的高低代表着假如没有搜索的流量还会有多少人会浏览来,假如一个评价是1的代表着10人,那么一个评价是9的绝对不可能是90人,肯定是千万级甚至是亿级的规模,因为假使我们给所有网站首页按照浏览量评级,PR1的浏览是10的话,这类的站太多了,而PR9的浏览量的网站微乎其微,他的浏览级别绝对是非常大的一个规模,所以9和1之间的区别绝对是一个很大的数量级,不能按照同一级别的计算公式来计算PR值。这才是问题的核心所在,那个公式只能是同级别的计算公式,根本无法用在不同的级别计算上,换句话说,同PR级别的可以用百度百科的那个计算公式,而不同级别的PR网站不能采用这个这个公式。


那么搜索到底是怎么运用这个公式的呢,第一个最简单的就是区别计算,把PR低于1的按照这个公式计算,把PR高于1的按照其PR值区间进行计算,然后在不同区间乘以一个区间内的常数,这样就可以计算出不同PR值的传递数值是多少;另外一个最可能是划归为统一原始值计算,也就是把高于PR1的都按照比例划分为原始值,比如PR是9的话,那么可以划分为多少个原始PR值的页面才能达到,PR1的话多少原始值页面才能达到,划分一个最小的度量单位,把所有超过这个度量单位的都进行计算到里面,这样就可以进行同级别进行计算了。


跳出这个公式的束缚,我们知道PR的计算属于迭代的运算,其最初的计算值都属于或接近于原始初值的,因此从道理上来讲百度那个PR计算公式属于这个迭代公式的一部分而已,仅仅可以用来计算原始网页的和最初PR值的计算,而不是最终的PR结果,如果想得出最终的PR值需要根完整的计算公式才可以。


注释:讲了这么多,其实只要大家理解一个问题,这公式属于去掉一定常量后的计算公式,不能直接用在计算上,只能用于理解Pr值的获得思维。至于具体的PR计算公式,焦大认为可能有2中可能算法,第一种是按照比例法,比如把所有的PR值归为原始网页的值,这样可以取对数就可以实现了,另外的一种可能是区间法,不同原始值的数量上有一定的区间,根据其区间输出一定的PR值。焦大:seo如何快速理解谷歌PR的计算奥秘 ...

以上内容由起源seo论坛提供,原文网址为http://www.wocaoseo.com/

焦大:seo如何快速理解谷歌PR的计算奥秘的更多相关文章

  1. 快速理解web语义化

    什么是Web语义化 Web语义化是指使用恰当语义的html标签.class类名等内容,让页面具有良好的结构与含义,从而让人和机器都能快速理解网页内容.语义化的web页面一方面可以让机器在更少的人类干预 ...

  2. 【转】快速理解Kafka分布式消息队列框架

     from:http://blog.csdn.net/colorant/article/details/12081909 快速理解Kafka分布式消息队列框架 标签: kafkamessage que ...

  3. Spark机器学习 Day2 快速理解机器学习

    Spark机器学习 Day2 快速理解机器学习 有两个问题: 机器学习到底是什么. 大数据机器学习到底是什么. 机器学习到底是什么 人正常思维的过程是根据历史经验得出一定的规律,然后在当前情况下根据这 ...

  4. 快速理解高性能HTTP服务端的负载均衡技术原理(转)

    1.前言 在一个典型的高并发.大用户量的Web互联网系统的架构设计中,对HTTP集群的负载均衡设计是作为高性能系统优化环节中必不可少的方案.HTTP负载均衡的本质上是将Web用户流量进行均衡减压,因此 ...

  5. 脑残式网络编程入门(四):快速理解HTTP/2的服务器推送(Server Push)

    本文原作者阮一峰,作者博客:ruanyifeng.com. 1.前言 新一代HTTP/2 协议的主要目的是为了提高网页性能(有关HTTP/2的介绍,请见<从HTTP/0.9到HTTP/2:一文读 ...

  6. 字符编码那点事:快速理解ASCII、Unicode、GBK和UTF-8

    原作者:阮一峰(ruanyifeng.com),现重新整理发布,感谢原作者的无私分享. 1.引言 今天中午,我突然想搞清楚 Unicode 和 UTF-8 之间的关系,就开始查资料. 这个问题比我想象 ...

  7. [转帖]十分钟快速理解DPI和PPI,不再傻傻分不清!

    十分钟快速理解DPI和PPI,不再傻傻分不清! https://baijiahao.baidu.com/s?id=1605834796518990333&wfr=spider&for= ...

  8. 快速理解VirtualBox的四种网络连接方式

    VirtualBox中有4中网络连接方式: NAT Bridged Adapter Internal Host-only Adapter VMWare中有三种,其实他跟VMWare 的网络连接方式都是 ...

  9. 深入浅出 1 - AI量化策略快速理解

      我们在用AI来编写量化策略过程中,主要用到了机器学习,先来从一张图直观理解什么是机器学习:人类对新问题做出有效决策依靠的是过去积累的许多经验,并对经验进行利用,而对机器来说,“经验”以“数据”方式 ...

随机推荐

  1. asp.net mvc 模拟百度搜索

    页面代码: <td><span>*</span>车牌号码:</td> <td> <div id="search"& ...

  2. EF Code First数据库模型及属性约束

    1.今日完成任务 数据库实体的创建 实体属性约束的添加 实体之间关系的添加 2.核心代码 EF模型 属性约束及实体之间的关系 使用FlutAPI对模型进行修正 3.遇到的问题及解决方案 最主要的是联合 ...

  3. Java不会被淘汰的12个原因

    如今,面对曾经在程序员中被各种新技术掩盖直至堙灭的技术值得怀念.犹如COBOL这当年被老程序员们尊为神器的语言如今也基本没有价值.而Java作为现代程序员的中坚力量在这点上或许会成为下一个COBOL. ...

  4. Servlet容器启动过程

    参考:https://blog.csdn.net/fredaq/article/details/9366043 一.概念 所谓Servlet容器其实说白了是符合Servlet规范的Java web容器 ...

  5. JDK8的Stream操作

    原文:https://mp.weixin.qq.com/s/N2zor5RzuHHTHQLHWVBttg 作者:思海同学  好好学java 其他资料:https://mp.weixin.qq.com/ ...

  6. 不使用spring-boot-starter-parent作为依赖parent

    背景环境 在某些情况下由于某些原因,我们的项目不能使用spring-boot-starter-parent作为<parent>依赖,一定要有自己的<parent>,但同时还希望 ...

  7. 【JZOJ4725】质数序列 题解(数学)

    题目大意:质数序列是指这个序列中任意两个数的和均为质数.先给出一个序列${a_{n}}$,从中取出元素构成最长质数序列,问其长度并输出序列.若长度相同则求和最大的序列.保证答案唯一. -------- ...

  8. BiMPM:Bilateral Multi-Perspctive Matching for Natural Language Sentences

    导言 本论文的工作主要是在 'matching-aggregation'的sentence matching的框架下,通过增加模型的特征(实现P与Q的双向匹配和多视角匹配),来增加NLSM(Natur ...

  9. 不能错过的分布式ID生成器(Leaf ),好用的一批!

    本文收录在个人博客:www.chengxy-nds.top,技术资料共享,同进步 不了解分布式ID的同学,先行去看<一口气说出 9种 分布式ID生成方式,面试官有点懵了>温习一下基础知识, ...

  10. IDEA 非常重要的一些设置项 → 一连串的问题差点让我重新用回 Eclipse !

    开心一刻 建筑行业内,我看过的最凶残笑话(IT行业内好一致!) 上联:一天晚上两个甲方三更半夜四处催图只好周五加班到周六早上七点画好八点传完九点上床睡觉十分痛苦 下联:十点才过九分甲方八个短信七个电话 ...