Question

我正试图解决使用MapReduce实现PageRank的理论问题。

我有以下三个节点的简单场景：A B C。

邻接矩阵在这里：

A { B, C }
B { A }

例如，PageRank for B等于：

(1-d)/N + d ( PR(A) / C(A) ) 

N     = number of incoming links to B
PR(A) = PageRank of incoming link A
C(A)  = number of outgoing links from page A

我对所有的原理图以及映射器和减速器的工作方式都很好但是我无法理解在减速器计算时如何知道C（A）。当通过聚合到B的传入链接计算B的PageRank时，reducer将如何知道每个页面的传出链接的数量。这是否需要在某些外部数据源中查找？

Answer 1

这是一个伪代码：

map( key: [url, pagerank], value: outlink_list )
    for each outlink in outlink_list
        emit( key: outlink, value: pagerank/size(outlink_list) )

    emit( key: url, value: outlink_list )

reducer( key: url, value: list_pr_or_urls )
    outlink_list = []
    pagerank = 0

    for each pr_or_urls in list_pr_or_urls
        if is_list( pr_or_urls )
            outlink_list = pr_or_urls
        else
            pagerank += pr_or_urls

    pagerank = 1 - DAMPING_FACTOR + ( DAMPING_FACTOR * pagerank )

    emit( key: [url, pagerank], value: outlink_list )

重要的是，在减少中你应该输出外链而不是链接，正如一些关于内容的文章所暗示的那样。这样，连续迭代也将具有作为映射器输入的外链。

请注意，同一页面中具有相同地址的多个外链都会计为一个。另外，不要计算循环（链接到自身的页面）。

阻尼系数传统上为0.85，尽管你也可以使用其他值。

Answer 2

A detailed explanation with Python code，Michael Nielsen。

Answer 3

我们迭代评估PR。 PR（x）=总和（PR（a）*权重（a），a in_links）

map ((url,PR), out_links) //PR = random at start
for link in out_links
   emit(link, ((PR/size(out_links)), url))

reduce(url, List[(weight, url)):
   PR =0
   for v in weights
       PR = PR + v
   Set urls = all urls from list

   emit((url, PR), urls)

所以输出等于输入，我们可以这样做直到覆盖。

使用MapReduce实现PageRank

3 个答案: