XML地图 黑帽SEO培训为广大SEO爱好者提供免费SEO教程,致力于SEO优化、SEO服务
首页 > SEO培训 » 搜索引擎算法:HITS算法(Hypertext Induced Topic Selection)

搜索引擎算法:HITS算法(Hypertext Induced Topic Selection)

2018-10-11T12:12:01 | 人围观 | 关键词:搜索引擎算法:HITS算法(Hypertext Induced Topic Selection)--SEO培训


  HITS算法(Hypertext Induced Topic Selection)
 

  HITS算法也是链接分析中非常基础且重要的算法,目前已被Teoma搜索引擎(www.teoma.com)作为链接分析算法在实际中使用。
 

  6.4.1 Hub页面与Authority页面
 

  Hub页面和Authority页面是HITS算法最基本的两个定义。所谓Authority页面,是指与某个领域或者某个话题相关的高质量网页。比如搜索引擎领域,Google和百度首页即该领域的高质量网页;比如视频领域,优酷和土豆首页即该领域的高质量网页。所谓的Hub页面,指的是包含了很多指向高质量Authority页面链接的网页,比如hao123首页可以认为是一个典型的高质量Hub网页。
 

  图6-11给出了一个Hub页面实例,这个网页是斯坦福大学计算语言学研究组维护的页面,这个网页收集了与统计自然语言处理相关的高质量资源,包括一些著名的开源软件包及语料库等,并通过链接的方式指向这些资源页面。这个页面可以认为是“自然语言处理”这个领域的Hub页面,相应地,被这个页面指向的资源页面,大部分是高质量的Authority页面。
 

  [图片]
 

  HITS算法的目的是通过一定的技术手段,在海量网页中找到与用户查询主题相关的高质量Authority页面和Hub页面,尤其是Authority页面,因为这些页面代表了能够满足用户查询的高质量内容,搜索引擎以此作为搜索结果返回给用户。
 

  6.4.2 相互增强关系
 

  很多算法都是建立在一些假设之上的,HITS算法也不例外。HITS算法隐含并利用了两个基本假设:
 

  · 基本假设1:一个好的Authority页面会被很多好的Hub页面指向。
 

  · 基本假设2:一个好的Hub页面会指向很多好的Authority页面。
 

  到目前为止,无论是从Hub页面或者Authority页面的定义也好,还是从两个基本假设也好,都能看到一个模糊的描述,即“高质量”或者“好的”,那么什么是“好的”Hub页面?什么是“好的”Authority页面?两个基本假设给出了所谓“好”的定义。
 

  基本假设1说明了什么是“好的”Authority页面,即被很多好的Hub页面指向的页面是好的Authority页面,这里两个修饰语非常重要:“很多”和“好的”,所谓“很多”,即被越多的Hub页面指向越好,所谓“好的”,意味着指向该页面的Hub页面质量越高,则页面越好。这综合了指向本页面的所有Hub节点的数量和质量因素。
 

  基本假设2则给出了什么是“好的”Hub页面的说明,即指向很多好的Authority页面的网页是好的Hub页面。同样地,“很多”和“好的”两个修饰语很重要,所谓“很多”,即指向的Authority页面数量越多越好;所谓“好的”,即指向的Authority页面质量越高,则该页面越是好的Hub页面。这也综合考虑了该页面有链接指向的所有页面的数量和质量因素。
 

  从以上两个基本假设可以推导出Hub页面和Authority页面之间的相互增强关系(参考图6-12),即某个网页的Hub质量越高,则其链接指向的页面的Authority质量越好;反过来也是如此,一个网页的Authority质量越高,则那些有链接指向本网页的页面Hub质量越高。通过这种相互增强关系不断迭代计算,即可找出哪些页面是高质量的Hub页面,哪些页面是高质量的Authority页面。
 

  [图片]图6-12 相互增强关系
 

  HITS算法
 

  HITS算法与PageRank算法一个显著的差异是:HITS算法与用户输入的查询请求密切相关,而PageRank算法是与查询无关的全局算法。HITS后续计算步骤都是在接收到用户查询后展开的,即是与查询相关的链接分析算法。
 

  HITS算法接收到了用户查询之后,将查询提交给某个现有的搜索引擎(或者是自己构造的检索系统),并在返回的搜索结果中,提取排名靠前的网页,得到一组与用户查询高度相关的初始网页集合,这个集合被称做根集(Root Set)。
 

  在根集的基础上,HITS算法对网页集合进行扩充(参考图6-13),扩充原则是:凡是与根集内网页有直接链接指向关系的网页都被扩充进来,无论是有链接指向根集内页面也好,或者是根集页面有链接指向的页面也好,都被扩充进入扩展网页集合。HITS算法在这个扩展网页集合内寻找好的Hub页面与好的Authority页面。
 

  [图片]图6-13 根集与扩展网页集合
 

  对于扩展网页集合来说,我们并不知道哪些页面是好的Hub页面或者好的Authority页面,每个网页都有潜在的可能,所以对于每个页面都设立两个权值,分别来记载这个页面是好的Hub页面或者Authority页面的可能性。在初始情况下,在没有更多可利用信息前,每个页面的这两个权值都是相同的,可以都设置为1。
 

  之后,即可利用上面提到的两个基本假设,以及相互增强关系等原则进行多轮迭代计算,每轮迭代计算更新每个页面的两个权值,直到权值稳定不再发生明显的变化为止。
 

  图6-14给出了迭代计算过程中,某个页面的Hub权值和Authority权值的更新方式。假设以A(i)代表网页i的Authority权值,以H(i)代表网页i的Hub权值。在如图6-14所示的例子中,扩展网页集合有3个网页有链接指向页面1,同时页面1有3个链接指向其他页面。那么,网页1在此轮迭代中的Authority权值即为所有指向网页1页面的Hub权值之和;类似地,网页1的Hub分值即为所指向的页面的Authority权值之和。
 

  [图片]图6-14 Hub与Authority权值计算
 

  扩展网页集合内其他页面也以类似的方式对两个权值进行更新,当每个页面的权值都获得了更新,则完成了一轮迭代计算,此时HITS算法会评估上一轮迭代计算中的权值和本轮迭代之后权值的差异,如果发现总体来说权值没有明显变化,说明系统已进入稳定状态,则可以结束计算。将页面根据Authority权值得分由高到低排序,取权值最高的若干页面作为响应用户查询的搜索结果输出。如果比较发现两轮计算总体权值差异较大,则继续进入下一轮迭代计算,直到整个系统权值稳定为止。
 

  6.4.4 HITS算法存在的问题
 

  HITS算法整体而言是个效果很好的算法,目前不仅在搜索引擎领域应用,而且被自然语言处理及社交分析等很多其他计算机领域借鉴使用,并取得了很好的应用效果。尽管如此,最初版本的HITS算法仍然存在一些问题,而后续很多基于HITS算法的链接分析方法,也是立足于改进HITS算法存在的这些问题而提出的。
 

  归纳起来,HITS算法主要在以下几个方面存在不足。
 

  计算效率较低
 

  因为HITS算法是与查询相关的算法,所以必须在接收到用户查询后实时进行计算,而HITS算法本身需要进行很多轮迭代计算才能获得最终结果,这导致其计算效率较低,这是实际应用时必须慎重考虑的问题。
 

  主题漂移问题
 

  如果在扩展网页集合里包含部分与查询主题无关的页面,而且这些页面之间有较多的相互链接指向,那么使用HITS算法很可能会给予这些无关网页很高的排名,导致搜索结果发生主题漂移,这种现象被称为紧密链接社区现象(Tightly-Knit Community Effect)。
易被作弊者操纵结果
 

  HITS算法从机制上很容易被作弊者操纵,比如作弊者可以建立一个网页,页面内容增加很多指向高质量网页或者著名网站的网址,这就是一个很好的Hub页面,之后作弊者再将这个网页链接指向作弊网页,于是可以提升作弊网页的Authority得分。
 

  结构不稳定所谓结构不稳定,就是说在原有的扩展网页集合内,如果添加删除个别网页或者改变少数链接关系,则HITS算法的排名结果就会有非常大的改变。
 

  6.4.5 HITS算法与PageRank算法比较
 

  HITS算法和PageRank算法可以说是搜索引擎链接分析的两个最基础且最重要的算法。从以上对两个算法的介绍可以看出,两者无论是在基本概念模型,还是计算思路及技术实现细节都有很大的不同,下面对两者之间的差异进行逐一说明。
 

  · HITS算法是与用户输入的查询请求密切相关的,而PageRank与查询请求无关。所以,HITS算法可以单独作为相似性计算评价标准,而PageRank必须结合内容相似性计算才可以用来对网页相关性进行评价。
 

  · HITS算法因为与用户查询密切相关,所以必须在接收到用户查询后进行实时计算,计算效率较低;而PageRank则可以在爬虫抓取完成后离线计算,在线直接使用计算结果,计算效率较高。
 

  · HITS算法的计算对象数量较少,只需计算扩展集合内网页之间的链接关系;而PageRank是全局性算法,对所有互联网页面节点进行处理。
 

  · 从两者的计算效率和处理对象集合大小来比较,PageRank更适合部署在服务器端,而HITS算法更适合部署在客户端。
 

  · HITS算法存在主题泛化问题,所以更适合处理具体的用户查询;而PageRank算法在处理宽泛的用户查询时更有优势。
 

  · HITS算法在计算时,对于每个页面需要计算两个分值,而PageRank算法只需计算一个分值即可;在搜索引擎领域,更重视HITS算法计算出的Authority权值,但是在很多应用HITS算法的其他领域,Hub分值也有很重要的作用。
 

  · 从链接反作弊的角度来说,PageRank从机制上优于HITS算法,而HITS算法更易遭受链接作弊的影响。
 

  · HITS算法结构不稳定,当对扩展网页集合内链接关系做出很小改变,则对最终排名有很大影响;而PageRank算法相对HITS而言表现稳定,其根本原因在于PageRank计算时的远程跳转。
 

相关内容推荐:

Top