米晓彬

听刘骏演讲收获不少，在Pagerank方面，更是让我收益匪浅。



名词解释：PageRank 技术

通过对由超过 50,000 万个变量和 20 亿个词汇组成的方程进行计算，PageRank 能够对网页的重要性做出客观的评价。PageRank 并不计算直接链接的数量，而是将从网页 A 指向网页 B 的链接解释为由网页 A 对网页 B 所投的一票。这样，PageRank 会根据网页 B 所收到的投票数量来评估该页的重要性。



细细想来，我觉得Google的pagerank的确很完美，这正像美国正在进行的美国大选一样，看上去，这种评价肯定会得到客观的评价，让人感觉很好很公正。但当刘骏讲到中国网站时情形就大不相同。


22日的IT龙门阵，谷歌研究院副院长刘骏在谈到pagerank时指出，在利用pagerank评价中国网站时存在失效的问题。一般来说，国外网站在使用别人网站文章时往往通过引用的方式，而中国直接copy过来。Pagerank是基于引用计算评价的算法，面对中国互联网盗版严重就造成了Pagerank失效问题。


那么作为谷歌竞争对手的百度又是怎么计算的呢？真正科学的方法又是什么呢？笔者略作猜测如下：


1 copyrank 与 pagerank

pagerank是基于引用的算法，引用这个操作对于国内的用户有些难度，国内经常引用别的网页的情况的确很少，我觉得主要有这么几类：
一类是类似洪波这样高端用户，这类用户包括网站的编辑，技术，或者对于网页和代码较为熟悉的用户，他们会时不时在文章中加上相关词语的链接；
第二类是广告，比如点睛 eyeclick，google ad还有友情链接，文字链广告等等；
第三类是一些web2.0产品，如博客留言中的引用，rss中的引用。但就用户而言，绝大多数是不会用引用代码或者超链接，添加超链接的过程太过复杂了。
中国人做网站喜欢拷贝，在他们看来与其去引用，还不如copy来的更快捷，反正文本网页又不占什么空间。所以，COPY成了中国网站的最爱。因此，与其计算pagerank还不如计算一篇文章的copyrank来得更加实际。
如果说pagerank是一个网页被引用的次数，那么copyrank就是一篇文章被copy的次数。我相信一篇文章被拷贝的次数越多，价值就越大，越值得去看。所以在中国，这个指标要比pagerank靠谱。


2 对网站的copyrank加权。

一个网页被不同网站编辑推荐copy应该不同的copyrank加权，比如一个新浪网编辑和一个小网站的编辑，他们在在copy某篇文章的时候显然不能给同样的加权，否则门户与小网站还有什么区别？
所以，不仅需要copyrank还有有copyrank加权。大型网站加权数值应该高一些，而小网站应低一些。还有文章被放到频道的头条还是焦点，首页还是频道页、第一条还是最后一条，放一天还是放一周，也应该有不同的加权。当然，也可以考虑用频道的流量进行加权，或许更合理一些，比如搜狐体育的流量很高，那么被搜狐体育copy的文章的加权也要适当提高。或许这种对比没有什么算法可言，会有很多人为的因素在里面，但我相信结果会更加人性化。


3 对网页评价还是对内容评价

正如刘骏所描述，中国网站盗版普遍存在，一篇文章往往可以找到很多相似或者相同的文章，有时甚至有几十篇甚至上百篇。这些稿子有时是出自公关公司，转载的数量取决于发文者的人脉，除此之外，一篇文章被转载copy的次数则可以说明它的受欢迎程度。
Google的pagerank的算法是基于对网页的评价体系，但在中国一篇文章可能会有上百个copy，所以，在中国copyrank似乎更有市场。当人们打开百度新闻的时候，会发现很多标题后面都标注着“xx条相同新闻”，这是一个相同新闻的列表，尽管他们的题目可能不同。我想这就是百度的copyrank吧！
那么，在中国到底是针对网页的pagerank合理还是针对内容的copyrank合理呢？很明显是后者。


顺便提一句，如果copyrank还没有申请专利，请google帮忙申请一下。


谢谢了！