Web的大小 - 北京大学网络与信息系统研究所

advertisement
Web Graph & Link Analysis
http://net.pku.edu.cn/~wbia
黄连恩
hle@net.pku.edu.cn
北京大学信息工程学院
09/16/2014
Web Graph
http://www.touchgraph.com/TGGoogleBrowser.html
Giant Global Graph
本次课大纲

Web 图度量





有多大?
连通性如何?
节点的分布如何?
节点距离有多远?
Link Analysis

Web上节点重要度如何度量?
Web 有多大?
Web的大小—网页总数


图大小不可知,也无法定义
估计Web图节点数的下界


搜索引擎索引的网页数(crawled pages)
 例如CNNIC中国互联网网页调查报告
能更逼近真实值吗?
Capture-Recapture Model






Unknown number of fish in a lake
Catch a sample and mark them
Let them loose
Recapture a sample and look for marks
Estimate population size
n1 = number in first sample 15
n2 = number in second sample 10
n12 = number in both samples 5
N = total population size
assume that
n1/N = n12/n2 therefore 15/N
= 5/10
N = (10 x 15) / 5 = 30
Web的大小

Estimate indexed web low-bound by analysis
overlap of Search Engine (Steve Lawrence and C.
Lee Giles,1998*)
•P(a) =na/N = n0/nb
•N = na*nb/n0
•During the test time, HotBot
report indexed 110 miliion
page
•lower bound on the size of
the indexable Web of 320
million pages. (1998)
Overlap Analysis




选择6个流行的 search engine, 假设它们索引页面
之间的 independency
Sampling: 通过575个查询对这些SE采样,分析
它们之间的overlap
用overlap来估计各个SE所覆盖的 indexable Web
的大小
利用已知某个SE的页面数,来估计整个Web的大
小
Web的连通性如何?
Web的形状

A large scale study (Altavista crawls)
reveals interesting properties of web
(Andrei Broder ,1999)



Study of 200 million nodes & 1.5 billion
links
Some parts unreachable, Others have long
paths
found Bow-tie Structure
Bow-tie Components

Strongly
Connected
Component
(SCC)


Upstream (IN)



Core can’t reach
IN
Downstream
(OUT)


Core
OUT can’t reach
core
Disconnected
Tendrils & Tubes
Component Properties

Each component is roughly same size



Diameter, maximal minimal path length(?)



~50 million nodes
Probability of a path between any 2 nodes ~1 quarter
(0.24)
Maximal and average diameter is infinite
28 for SCC, 500 for entire graph
Average length


16 (directed path exists), 7 (undirected)
Shortest directed path between 2 nodes in SCC: 16-20
links on average
Web上节点的分布如何?
站点入度分布

会是下面哪一种情况?
Power law
Power law




P(x=k)=CK-λ
A line appears on a log-log plot
rare events are not so rare!
Long tail
Power Law Size and Connectivity

站点大小Site Sizes(以页面数量计算)服从
power law 分布



跨越不同的规模
 在1.6-1.9之间
节点的度connections per node 服从power law 分
布



Study at Notre Dame University reported
 = 2.45 for outdegree distribution
λ= 2.1 for indegree distribution
Power Law Distribution -Examples

From Graph structure in the web, (by altavista
crawl,1999)
Random Graph .vs. Power Law Graph

Random graphs have Poisson distribution if p
is small.




Random uniform graph with random independent
edges of fixed probability p
P(x=k)= e-λ * λk/k!
Decays exponentially fast to 0 as k increases
towards its maximum value n-1
Power law graphs


Decays polynomially for large values
Power law graph  emerging order in a large
graph created by many agents
Examples with Power Law Networks

Examples of networks with Power Law
Distribution






Internet at the router and interdomain level
Citation network
Collaboration network of actors
Networks associated with metabolic pathways
Networks formed by interacting genes and proteins
Network of nervous system connection in C. elegans
Web上节点距离有多远?
What does this mean?


Size: 200M nodes, 1.5G edges
Average length: 16 (directed path exists), 7
(undirected)
Huge graph with small distance
It’s a small world
小世界网络

It is a ‘small world’



Millions of people. Yet,
separated by “six degrees” of
acquaintance relationships
Popularized by Milgram’s
famous experiment
Mathematically


Diameter of graph is small (log
N) as compared to overall size
Property seems interesting
given ‘sparse’ nature of graph
but … This property is ‘natural’
in ‘pure’ random graphs
The small world of WWW

Empirical study of Web-graph reveals small-world
property



Graph generated using power-law model
Diameter properties inferred from sampling
 Calculation of max. diameter computationally
demanding for large values of n
Average distance (d) in simulated web:
d = 0.35 + 2.06 log (n)
e.g. n = 109, d ~= 19
Implications for Web

Logarithmic scaling of diameter makes future
growth of web manageable

10-fold increase of web pages results in only 2 more
additional ‘clicks’, but …
Robustness and vulnerability

How diameter or connectivity affected by deleting
nodes randomly?


Specific nodes are targeted?


Scale-free graph are more robust than random uniform
graph
Diameter doubling when 5% important nodes removed
Topology changes under attack?


Fragment and break down
Phrase change for deletion ratio : 0.28 in exponential
graph & 0.18 in a scale-free network
Web上节点重要度如何度量?
对网页重要性的评价


Larry Page & Sergey Brin
Jon Kleinberg
PageRank算法,HITS(Hyperlink
Induced Topic Search)算法
都是为了利用HTML网页的链接特
点,改善查询的效果

当Spam页面淹没了search engine的
搜索结果页面时,除了页面内容与
查询的相关性以外,页面本身的质
量/重要性的作用就显现出来
PageRank
Why and how it works?
重要度的度量
刘翔

一阶指标(“入度”)



Paul Erdös
知晓关系:社会知名度
引用关系:认可程度
“高阶指标”

和一个著名人物“共同发表”论文的“距离”:越短似
乎显得越“有荣誉”(例如,Erdos number,)
谁重要一些?
如何用一个模型来刻画这种
感觉,使算出来的“重要
性”反映这种感觉?


认识甲的人可能和认识乙的人一样多,但认识乙的
人都是些“重要人物”,于是通常会认为乙比甲重
要
不仅是人,论文也是一样,被重要的文章引用的文
章可能就比较重要些
声望模型Reputation Model


给定一个群体S,及其在上面的一个“知晓”关系
R,于是定义了一个有向“关系图”G。用邻接矩
阵E表示,E(i,j)=1,当且仅当i “听说过” j(注意这
里没有程度之分)。我们希望确定p(i):所有个体i∈S
的“声望”
模型一:p(i) = ∑E[k,i],k=1,…,n,即i在G上的
“入度”,亦即E的第i列的1的个数


清楚、好计算;但是“不够好”
模型二:p(i) = ∑E[k,i]p(k),k=1,…,n,即i的声望
等于知晓他的人的声望之和

清楚、显得要更“精确些”;但是,好计算吗?
声望模型二


对于所有i,p(i) = ∑E[k,i]p(k),k=1,…,n
也就是,记p = (p(1), p(2), …, p(n))T,
p = ET p

问题是:



这个方程存在解吗?
如果存在,如何得到?
如果不存在,该怎么办?
一般来讲:这
个方程的非0解
是不存在的!
p = ETp 的不存在例
1
2

3
0 0 0
T


E  1 0 0


1 1 0



S = {1,2,3}, R =
{<1,2>,<1,3>,<2,3>}
E = ((0,1,1),(0,0,1),(0,0,0))
ET =
((0,0,0),(1,0,0),(1,1,0))
不难看到,方程的成立
p(1)=0p(2)=0p(3)=0
一般来讲,p = ETp,意味着要求ET有特
征值1,这是很难得的。
先前那4个点的例子也无解



p = ETp  (I - ET)p = 0
线性代数讲,此方程组有非0解,仅当行列式|I -
ET| = 0
但我们算得|I - ET| = 2
即使有解,还有可能不唯一!


S = {1,2,3}, R = {<1,2>,<2,3>,<3,1>}
不难看出任何 p(1) = p(2) = p(3) 都是解
怎么办?
“Random Walker”模型



设想有一个永不休止、在网上浏览网页的人,随机
选择一个链出的链接继续访问。我们问,在稳态情
况下(足够长时间后),他会正在看哪一篇网页
呢?
等价于:稳态情况下,每个网页v会有一个被访问
的概率,p(v),它可以作为网页的重要程度的度
量。
我们可以合理地设想:此时到达v的概率,依赖于
上一个时刻到达“链向”v的网页的概率,以及那
些网页中超链的个数。
Random walker model
u3
u1
V
u4
u2
稳定时:

p(v) = ∑E[u,v]*p(u)/du, over u


u5
这里,du是网页u的“出度”,∑E[u,v] over u。
∑p(u) = 1
Random Walker Model (continue)

改写一下,成
E[u, v]
p (v )  
 p (u )
du
u
E[u, v]
令,L[u, v] 
du
于是,p [v]   L[u , v]  p[u ]
形式上和
“声望”模
型一样,只
是矩阵L有行
向量元素和
为1的性质。
有用吗?
或者写成矩阵形式,p  LT  p 且有 | p | 1
u
Dangling Node(出度为0的节点)
对于这些节点,矩阵L对应着元素全0的行,元素和不为1
修正:L[u,v] = 1/N if du=0
Stochastic matrix




矩阵M,元素非负,每个行向量元素之和分别都
等于1(亦称马尔科夫转移矩阵)
L就是这种矩阵()
显然,随机矩阵的最大特征值为1,对应有一个全
1元素的特征向量
转置矩阵的行列式和原矩阵的行列式相等
M x x
| I  M | 0
| I  M | 0
T
于是1也就是LT最
大的特征值!
还有一点问题


上述“随机浏览”模型有稳态
解的条件是:由网页形成的有
向图允许通过链接关系访问到
每一个网页
但有两个情况是破坏这条件的



图中形成“圈”(rank bounce)
有入度或者出度为0的点(rank
sink)
因此该模型的表述通常要求所
形成的图是irreducible(强连
通)和aperiodic(不能有进去
后出不来的圈)。
继续修改模型

让这浏览者每次以一定的概率(1-β)沿着超链
走,以概率(β)重新随机选择一个新的起始节
点

这在物理意义上即总是有可能跳进入度为0的点,跳
出那些“圈”。在模型表达上即为



T
p  (1   ) L p  1N  p   (1   ) L  (1N )  p
N
N


T

β选在0.1和0.2之间,被称作damping factor(Page & Brin
1997)
G=(1-β)LT+ β/N(1N) 被称为Google Matrix
Google Matrix特征向量求解




Power Iteration方法:
给定Google Matrix G,记|λ1| ≥|λ2| ≥…,q1
是属于λ1的特征向量
初始化向量p0,使得||p0||1=1
对于k = 1, 2, …,执行如下步骤



x = Gpk-1,
pk = x/||x||1,
基本迭代
规格化步骤
可以证明(收敛速度)

|pk – q1| = O(|λ2/λ1|k)



T
pi 1   (1   ) L  (1N )  pi
N


问题

GoogleMatrix的Power Iteration求解特征向量算法





一定会经过有限步迭代终止吗?
一定会得到有意义的解吗?(正解并且||p||1=1)
一定会得到唯一的解吗?
不管初始值P0如何,都会收敛到相同解吗?
是否需要很多次迭代才能收敛呢?
Amy Langville, Carl Meyer,
Google's PageRank and Beyond:
The Science of Search Engine Rankings.
Princeton University Press, 2006.
例子(power iteration)
1 / 11




 1/ 2


L








1 / 11 1 / 11 1 / 11 1 / 11 1 / 11 1 / 11 1 / 11 1 / 11 1 / 11 1 / 11

1


1

1/ 2


1/ 3
1/ 3
1/ 3


1/ 2
1/ 2

1/ 2
1/ 2


1/ 2
1/ 2

1/ 2
1/ 2


1

1

小规模数据求解




β取0.15
G= 0.85*LT+0.15/11(1N)
P0=(1/11,1/11,….)T
P1=GP0
You can try this in
MatLab
 ...
 。。。。。。。



Power Iteration求解得(迭代50次)
P=(0.033,0.384,0.343,0.039,0.081,
0.039,0.016……)T
本次课小结

Web Graph的性质





Graph Link Analysis




T
pi 1   (1   ) L  (1N )  pi
N


Capture-recapture
Bow-tie structure
Power law
Small world


声望模型
Random Walker模型
PageRank算法
Thank You!
Q&A
HOME WORK



Larry Page & Sergey Brin
The PageRank citation
ranking: bringing order to
the web (1999)
提交一个1-2页的报告:



1. 根据 PageRank 的理论,设计
一些方法,来提高自己网站的排名
2. 请分析 PageRank 的缺陷和不
足,并提出自己的解决方法
3. PageRank 成就了搜索引擎,
搜索引擎改变了用户的行为,请分
析这反过来对 PageRank 的影响
(Better or Worse?)
Download