0.24297 0.00000i 0.00707 - 0.24933i 0.00707 0.24933i
0.41231 0.00000i -0.28417 0.44976i -0.28417 - 0.44976i
0.10308 0.00000i 0.22951 - 0.13211i 0.22951 0.13211i
0.13989 0.00000i -0.22243 - 0.11722i -0.22243 0.11722i
Columns 4 through 6:
0.56600 0.00000i 0.56600 0.00000i -0.32958 0.00000i
0.26420 - 0.05040i 0.26420 0.05040i 0.14584 0.00000i
-0.10267 0.14787i -0.10267- 0.14787i 0.24608 0.00000i
-0.11643 0.02319i -0.11643 - 0.02319i -0.24398 0.00000i
-0.49468 - 0.14385i -0.49468 0.14385i 0.42562 0.00000i
-0.14749 0.38066i -0.14749 - 0.38066i -0.64118 0.00000i
0.03106 - 0.35747i 0.03106 0.35747i 0.39720 0.00000i
Column 7:
0.00000 0.00000i
-0.40825 0.00000i
-0.00000 0.00000i
0.00000 0.00000i
-0.00000 0.00000i
0.81650 0.00000i
-0.40825 0.00000i
D =
Columns 1 through 3:
1.00000 0.00000i 0.00000 0.00000i 0.00000 0.00000i
0.00000 0.00000i -0.44433 0.23415i 0.00000 0.00000i
0.00000 0.00000i 0.00000 0.00000i -0.44433 - 0.23415i
0.00000 0.00000i 0.00000 0.00000i 0.00000 0.00000i
0.00000 0.00000i 0.00000 0.00000i 0.00000 0.00000i
0.00000 0.00000i 0.00000 0.00000i 0.00000 0.00000i
0.00000 0.00000i 0.00000 0.00000i 0.00000 0.00000i
Columns 4 through 6:
0.00000 0.00000i 0.00000 0.00000i 0.00000 0.00000i
0.00000 0.00000i 0.00000 0.00000i 0.00000 0.00000i
0.00000 0.00000i 0.00000 0.00000i 0.00000 0.00000i
0.02731 0.31430i 0.00000 0.00000i 0.00000 0.00000i
0.00000 0.00000i 0.02731 - 0.31430i 0.00000 0.00000i
0.00000 0.00000i 0.00000 0.00000i -0.16595 0.00000i
0.00000 0.00000i 0.00000 0.00000i 0.00000 0.00000i
Column 7:
0.00000 0.00000i
0.00000 0.00000i
0.00000 0.00000i
0.00000 0.00000i
0.00000 0.00000i
0.00000 0.00000i
-0.00000 0.00000i
EigenVector =
0.69946
0.38286
0.32396
0.24297
0.41231
0.10308
0.13989
PageRank =
0.303514
0.166134
0.140575
0.105431
0.178914
0.044728
0.060703
elapsed_time = 0.063995
Octave 的输出中，特性值被表示为对角行列 D 的对角成分，各个特性值相对应的固有矢量被表示为行列 V 对应列的列矢量。也就是说 M * V = D * M 成立。 如果包含复数特性值的话这里的特性值有7个,其中绝对价值最大的特性值 λ 是λ=1。与之相对应的固有矢量为实矢量：
EigenVector =
0.69946
0.38286
0.32396
0.24297
0.41231
0.10308
0.13989
即行列 V 的第1列。请注意，这个求得的固有矢量中概率矢量(要素的和等于1的 N 次元非负矢量)没有被标准化，只是矢量的「大小」等于 1。 用算式来表达就是，Σpi ≠1 ，Σ(pi)2＝1。 在这里，对概率矢量进行标准化
PageRank =
0.303514
0.166134
0.140575
0.105431
0.178914
0.044728
0.060703
PageRank 就是排位了。 注意，全部相加的和为 1。 计算只用了0.064秒。
求得的 PageRank 的评价
将 PageRank 的评价按顺序排列 (PageRank 小数点3位四舍五入)。
名次 PageRank 文件ID 发出链接ID 被链接ID
1 0.304 1 2,3,4,5,7 2,3,5,6
2 0.179 5 1,3,4,6 1,4,6,7
3 0.166 2 1 1,3,4
4 0.141 3 1,2 1,4,5
5 0.105 4 2,3,5 1,5
6 0.061 7 5 1
7 0.045 6 1,5 5
首先应该关注的是，PageRank 的名次和反向链接的数目是基本一致的。无论链接多少正向链接都几乎不会影响 PageRank，相反地有多少反向链接却是从根本上决定 PageRank 的大小。但是，仅仅这些并不能说明第1位和第2位之间的显著差别(同样地、第3位和第4位，第6位和第7位之间的差别)。总之，绝妙之处在于 PageRank 并不只是通过反向链接数来决定的。
让我们详细地看一下。ID=1 的文件的 PageRank 是0.304，占据全体的三分之一，成为了第1位。特别需要说明的是，起到相当大效果的是从排在第3位的 ID=2 页面中得到了所有的 PageRank(0.166)数。ID=2页面有从3个地方过来的反向链接，而只有面向 ID=1页面的一个链接，因此(面向ID=1页面的)链接就得到了所有的 PageRank 数。不过，就因为 ID=1页面是正向链接和反向链接最多的页面，也可以理解它是最受欢迎的页面吧。
反过来，最后一名的 ID=6 页面只有 ID=1 的15％的微弱评价,这可以理解为是因为没有来自 PageRank 很高的 ID=1 的链接而使其有很大地影响。 总之，即使有同样的反向链接的数目，链接源页面评价的高低也影响 PageRank 的高低。
表示页面互相的链接关系的推移图(加入了PageRank)
实际地试着计算一下PageRank的收支。因为λ=1所以计算很简单，只要将自各页的流入量单纯相加即可。譬如 ID=1 的流入量为，
流入量＝(ID=2发出的Rank) (ID=3发出的Rank) (ID=5发出的Rank) (ID=6发出的Rank)
= 0.166 0.141/2 0.179/4 0.045/2
= 0.30375
在误差范围内PageRank的收支相符合。其他页面ID的情况也一样。以上的 PageRank 推移图正表示了这个收支。沿着各自的链接发出的PageRank等于此页面原有的PageRank除以发出链接数的值，而且和各自的页面的PageRank收支相平衡。
文章整理：西部数码--专业提供域名注册、虚拟主机服务
http://www.west263.com
以上信息与文章正文是不可分割的一部分,如果您要转载本文章,请保留以上信息，谢谢!
