链接分析算法之HillTop算法

　 短视频，自媒体，达人种草一站服务

Hilltop算法是由Krishna Baharat 在2000年左右研究的，于2001年申请专利，但是有很多人以为Hilltop算法是由谷歌研究的。只不过是Krishna Baharat 后来加入了Google成为了一名核心工程师，然后授权给Google使用的。

在与PageRank算法相比之下，Google意识到这个算法的进步会为他们的搜索排名带来非常重要的功能。Google的HillTop算法现在已经能更好的与旧的算法(PR算法)联合起来工作。根据观察HillTop算法比起它在2000年刚设计的时候已经有了很大的进步。显然这也是2003年11月16日“佛罗里达”更新中影响的一个最主要的算法。

1. Hilltop算法基本思想

Hilltop融合了HITS和PageRank两个算法的基本思想：

一方面，Hilltop是与用户查询请求相关的链接分析算法，吸收了HITS算法根据用户查询获得高质量相关网页子集的思想，即主题相关网页之间的链接对于权重计算的贡献比主题不相关的链接价值要更高.符合“子集传播模型”，是该模型的一个具体实例；

另一方面，在权值传播过程中，Hilltop也采纳了PageRank的基本指导思想，即通过页面入链的数量和质量来确定搜索结果的排序权重。

2. Hilltop算法的一些基本定义

非从属组织页面：

“非从属组织页面”（Non-affiliated Pages）是Hilltop算法的一个很重要的定义。要了解什么是非从属组织页面，先要搞明白什么是“从属组织网站”，所谓“从属组织网站”，即不同的网站属于同一机构或者其拥有者有密切关联。具体而言，满足如下任意一条判断规则的网站会被认为是从属网站：

条件1：主机IP地址的前三个子网段相同，比如：IP地址分别为159.226.138.127和159.226.138.234的两个网站会被认为是从属网站。

条件2：如果网站域名中的主域名相同，比如:和会被认为是从属组织网站。

“非从属组织页面”的含义是：如果两个页面不属于从属网站，则为非从属组织页面。图6-22是相关示意图，从图中可以看出，页面2和页面3同属于IBM的网页，所以是“从属组织页面”，而页面1和页面5、页面3和页面6都是“非从属组织页面”。由此也可看出，“非从属组织页面”代表的是页面的一种关系，单个一个页面是无所谓从属或者非从属组织页面的。

图6-22 “从属组织页面”与“非从属组织页面”

专家页面：

“专家页面”(Export Sources)是Hilltop算法的另外一个重要定义。所谓“专家页面”，即与某个主题相关的高质量页面，同时需要满足以下要求：这些页面的链接所指向的页面相互之间都是“非从属组织页面”，且这些被指向的页面大多数是与“专家页面”主题相近的。

目标页面集合：

Hilltop算法将互联网页面划分为两类子集合，最重要的子集合是由专家页面构成的互联网页面子集，不在这个子集里的剩下的互联网页面作为另外一个集合，这个集合称作“目标页面集合”（Target Web Servers）。

3. Hilltop算法

图6-23是Hilltop算法的整体流程示意。

1) 建立专家页面索引：首先从海量的互联网网页中通过一定规则筛选出“专家页面”子集合，并单独为这个页面集合建立索引。

2）用户查询: Hilltop在接收到用户发出的某个查询请求时:

首先) 根据用户查询的主题，从“专家页面”子集合中找出部分相关性最强的“专家页面”，并对每个专家页面计算相关性得分，

然后)根据“目标页面”和这些“专家页面”的链接关系来对目标页面进行排序。基本思路遵循PageRank算法的链接数量假设和质量原则，将专家页面的得分通过链接关系传递给目标页面，并以此分数作为目标页面与用户查询相关性的排序得分。

最后) 系统整合相关专家页面和得分较高的目标页面作为搜索结果返回给用户。

图6-23 Hilltop算法流程

若在上述过程中，Hilltop无法得到一个足够大的专家页面集合，则返回搜索结果为空。由此可以看出，Hilltop算法更注重搜索结果的精度和准确性，不太考虑搜索结果是否足够多或者对大多数用户查询是否都有相应的搜索结果，所以很多用户发出的查询的搜索结果为空。这意味着Hilltop可以与某个排序算法相结合，以提高排序准确性，但并不适合作为一个独立的网页排序算法来使用。

4. Hilltop算法流程

从上述整体流程描述可看出，Hilltop算法主要包含两个步骤：专家页面搜索及目标页面排序。

步骤一：专家页面搜索

Hilltop算法从1亿4千万网页中，通过计算筛选出250万规模的互联网页面作为“专家页面”集合。“专家页面”的选择标准相对宽松，同时满足以下两个条件的页面即可进入“专家页面”集合:

条件1：页面至少包含k个出链，这里的数量k可人为指定；

条件2：k个出链指向的所有页面相互之间的关系都符合“非从属组织页面”的要求；

当然，在此基础上，可以设定更严格的筛选条件，比如要求这些“专家页面”所包含链接指向的页面中，大部分所涉及的主题和专家页面的主题必须是一致或近似的。

根据以上条件筛选出“专家页面”后，即可对“专家页面”单独建索引，在此过程中，索引系统只对页面中的“关键片段”（Key Phrase）进行索引。所谓“关键片段”，在Hilltop算法里包含了网页的三类信息：网页标题、H1标签内文字和URL锚文字。

网页的“关键片段”可以支配（Qualify）某个区域内包含的所有链接，“支配”关系代表了一种管辖范围，不同的“关键片段”支配链接的区域范围不同，具体而言：

页面标题可以支配页面内所有出现的链接，

H1标签可以支配包围在

和

内的所有链接，

URL锚文字只能支配本身唯一的链接。

（编辑：常州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!