Google algoritmi za rangiranje stranica

1. Elektrotehnički fakultet Univerziteta u Beogradu Google algoritmi za rangiranje stranica Diplomski rad Student: Mentor: Branko Golubović prof. Veljko Milutinović

2. Pregled • Uvod • Google pretraživač • Kako radi Google • Skor sadržaja • Skor popularnosti • Osobine i implementacija PageRank algoritma • Budućnost pretraživača Google algoritmi za rangiranje stranica

3. Uvod

4. Pretraživanje kroz istoriju • Papirus • Pergament • Papir • Štamparska mašina • WWW Google algoritmi za rangiranje stranica

5. Mreža je: • ogromna (oko 30 milijardi stranica) • dinamična (23% stranica se menja svakog dana) • samo-organizovana • povezana (hiperlinkovi) Google algoritmi za rangiranje stranica

6. Pretraživači • Ocenjivanje performansi pretraživača: • preciznost • odziv • brzina • zahtevnost Google algoritmi za rangiranje stranica

7. Google pretraživač

8. Google od nastanka do danas • 1996. – istraživački projekat na Stenfordu Larija Pejdža i Sergeja Brina • 1997. – zakupljen domen google.com • 1998. – osnovana kompanija Google; indeksirano 60 miliona stranica • 2001. – patentiran PageRank algoritam • 2004. – indeksirano 8.1 milijardi stranica • 2008. – indeksirano preko 25 milijardi stranica; 250 miliona upita dnevno; odziv ispod 0.5s Google algoritmi za rangiranje stranica

9. Google pretraživanje • Pored pretraživanja stranica na Mreži Google nudi pretragu: • slika • vesti • proizvoda • mapa • e-mail-a • video zapisa • open source code • patenata • itd. I will use Google before asking dumb questions Google algoritmi za rangiranje stranica

10. Google pretraživač Kako radi Google

11. Elementi pretraživača Korisnik W W W Modul za obilaženje Mreže Modul za skladištenje stranica Modul za indeksiranje Upit Rezultat Modul za obradu upita Modul za rangiranje Indeksi Sadržaj Specijalni Struktura Pretraživač Google algoritmi za rangiranje stranica

12. Modul za obradu upita • Filteri: • Izostavljanje termina • Jezik • Tip dokumenta • Pretraga u baznog URL-a • Datum • Pozicija termina na stranici • Region • Brojevni opseg • SafeSearch • Prava korišćenja Google algoritmi za rangiranje stranica

13. Modul za obradu upita • Ekspanzija upita: • Balansiranje stabla (term reordering) • Odbacivanje uobičajenih reči (stop words) • Koren reči (stemming) • Provera pravopisa • Sinonimi • Asocijacija reči Google algoritmi za rangiranje stranica

14. Modul za rangiranje • Verovatno najvažniji deo pretraživača • Ukupan skor se dobija sabiranjem: • skora sadržaja (content score) i • skora popularnosti (popularity score) Google algoritmi za rangiranje stranica

15. Google pretraživač Skor sadržaja (content score)

16. Content score • Sadržaj stranice • META tag • page title • description • keywords • Heading • Alt atribut • Tekst hiperlinkova (anchor text) Google algoritmi za rangiranje stranica

17. Content score • Content score se izračunava u realnom vremenu • Ubrzavanje upita – smanjivanje izračunavanja u realnom vremenu • Proširivanje indeksa deskriptorima: termin n (avion) – 7, 152 [1, 0, 1, 8], 7342 Google algoritmi za rangiranje stranica

18. Google pretraživač Skor popularnosti (popularity score)

19. Popularity score • Do 1998. webgraph je bio neiskorišćen kao izvor informacija za rangiranje • Link sa stranice A ka stranici B se tumači kao preporuka • Ovaj link je: • izlazni link stranice A • ulazni link stranice B Google algoritmi za rangiranje stranica

20. Originalna formula PageRank-a • Ako je rang strane Pi označen kao r(Pi), tada se on može izračunati kao suma rangova svih strana koje pokazuju na Pi: • Iterativna formula: • Proces je iniciran početnim vrednostima r0(Pi)=1/n Google algoritmi za rangiranje stranica

21. Originalna formula PageRank-a 2 5 3 4 1 6 • Graf: • Matrica prelaza: Google algoritmi za rangiranje stranica

22. PageRank • Ako je p(k)T PageRank vektor u k-toj iteraciji, tada je: p(k+1)T= p(k)TH iterativna formula za dobijanje PageRank-a u matričnom obliku Google algoritmi za rangiranje stranica

23. Matrica prelaza H • Osobine matrica prelaza H: • svaka iteracija sadrži množenje vektora i matrice - O(n2) • H je retka matrica – stepen složenosti se smanjuje O(n) • iterativni proces primenjen u formuli se naziva stepeni metod (eng. Power method) primenjen na H • H je substohastička, jer viseće stranice proizvode 0 redove Google algoritmi za rangiranje stranica

24. Konvergiranje procesa • Važna pitanja: • Da li će i pod kakvim uslovima proces konvergirati? • Da li će konvergirati ka jedinstvenom rešenju? • Da li konvergencija zavisi od početnog vektora p(0)T? • Koja je brzina konvergiranja? • Da li će rešenje ka kome sistem konvergira biti od koristi za rangiranje stranica? Google algoritmi za rangiranje stranica

25. Problemi sa matricom H • Inicijalni vektor je p(0)T=1/neT, gde je eT vektor jedinica dimenzije n • Problemi sa takvim sistemom: • rank sink • ciklusi • H podseća na stohastičku matricu verovatnoće prelaza Markovljevih lanaca Google algoritmi za rangiranje stranica

26. Markovljevi lanci • Za bilo koji inicijalni vektor, matrica P u Markovljevom lancu konvergira ka jedinstvenom pozitivnom vektoru (stacionarni vektor), ako je P: • stohastička • nesvodljiva primitivna • aperiodična Google algoritmi za rangiranje stranica

27. Prilagođavanje matrice H • Model slučajnog surfera (eng. random surfer) • Stohastička matrica S (stohastička modifikacija): S = H + a(1/n eT), gde je a dangling node vector Google algoritmi za rangiranje stranica

28. Prilagođavanje matrice H • Google matrica G (modifikacija primitivnosti): G = aS + (1 - a)1/n eeT, gde je: • 1 - a verovatnoća teleportacije (verovatnoća da surfer skoči na proizvoljnu stranu) • 0 < a< 1 • 1/n eeT = E matrica teleportacije (uniformna) Google algoritmi za rangiranje stranica

29. Posledice modifikacije • Matrica G je: • stohastička • nesvodljiva (sve strane su međusobno povezane) • aperiodična (linkovi Gii) • u potpunosti gusta, ali: G = aS + (1 - a)1/n eeT = = a(H + 1/n aeT) + (1 - a)1/n eeT = = aH + (aa + (1 - a)e)1/n eT • veštačka, u smislu da je nastala modifikacijom H Google algoritmi za rangiranje stranica

30. Izračunavanje PageRank vektora • Power method – pronalazi dominantne sopstvene vrednosti i sopstvene vektore matrice • jednostavan: p(k+1)T= p(k)TG = = ap(k)T S + (1 - a)/n p(k)T eeT = = ap(k)T H + (ap(k)T a + 1 - a)eT/n, gde je pTe = 1. • matrix-free • storage friendly • zahteva svega 50-100 iteracija Google algoritmi za rangiranje stranica

31. Parametri u PageRank modelu • a faktor(PageRank – a= 0.85): G = aS + (1 - a)E • hiperlink matrica H: • matrica teleportacije E: E = 1/n evT gde je vTvektor teleportacije (personalizacije) Google algoritmi za rangiranje stranica

32. Google pretraživač Osobine i implementacija PageRank algoritma

33. Ubrzavanje izračunavanja PageRank-a • adaptivni Power metod – smanjuje izračunavanje: • prednosti: ubrzanje od 17% • mane: nepreciznost (lokalni minimumi), teškoće kod implementacije na velike sisteme • ekstrapolacija – smanjuje broj iteracija: • asimptotska brzina konvergencije Power metoda je brzina kojom |l2/ l1|k teži nuli • G je stohastička: l1 = 1 • G je primitivna: |l2| < 1 • ekstrapolacija – eliminisanje uticaja l2 • mane: zahtevnost (svaka deseta iteracija) Google algoritmi za rangiranje stranica

34. Ubrzavanje izračunavanja PageRank-a PageRank PageRank sa quadratic ekstrapolacijom • quadratic ekstrapolacija – smanjuje broj iteracija: • eliminisanje uticaja l2i l3 • prednosti: 50-300% bolji rezultati od originalnog PR • mane: zahtevno izračunavanje (svaka 20-ta iteracija) Google algoritmi za rangiranje stranica

35. Ubrzavanje izračunavanja PageRank-a • agregacija – BlockRank: • kompresovanje grafa Mreže po host-ovima • PageRank se primenjuje na hostgraph – HostRank • PageRank se primenjuje na same host-ove • konačan rang stranice se dobija množenjem HostRank-a host-a i ranga stranice unutar host-a • mane: dobijaju se aproksimacije • prednosti: aproksimacije su zadovoljavajuće, brzina je veća nego originalni PageRank Google algoritmi za rangiranje stranica

36. Osvežavanje PageRank vektora • Jednom mesečno – Google Dance • PageRank se izračunava od nule • Promene na WWW: • promene u strukturi linkova • promene u strukturi grafa Google algoritmi za rangiranje stranica

37. Osvežavanje PageRank vektora • Aproksimativna agregacija: • S – skup stanja osveženog Markovljevog lanca • L – sadrži stanja na koje je uticala promena • Egzaktna agregacija Google algoritmi za rangiranje stranica

38. Osvežavanje PageRank vektora • Iterativna agregacija: • što je |L| = lveće, brža konvergencija i više izračunavanja • dobro formiranje skupa L: • stavljanje svih novih i promenjenih stanja u L • dodavanje stanja sa visokim PR u prethodnom izračunavanju • osobine: • poboljšanje performansi (1/7 vremena potrebnog PR) • što je više podataka, poboljšanja izraženija • mesta za dodatna poboljšanja (npr. ekstrapolacija) • promene broja stranica ne utiču na algoritam Google algoritmi za rangiranje stranica

39. Budućnost pretraživača

40. SPAM i ostale zloupotrebe • Algoritmi za detektovanje Link farmi • BadRank • Sponzorisani linkovi Google algoritmi za rangiranje stranica

41. Specijalizovani pretraživači • Neki specijalizovani pretraživači: • Najdi.si (geografski lokalizovani pretraživač), • Business.com (poslovni pretraživač), • Hotjobs.com (pretraživač berze rada), • InfoSpace (pretraživač osoba), • Home.co.uk (pretraživač nekretnina), itd. • Google-ovi specijalizovani pretraživači: • Google Book Search (knjige), • Google Code Search (programski kod), • Google Scholar (obrazovanje), • Google News (vesti), itd. Google algoritmi za rangiranje stranica

42. Personalizovane pretrage • Google Personalized Search – Web History • A9.com • Mnogi sajtovi imaju internu personalizovanu pretragu – npr. Amazon.com • Problemi sa privatnošću Google algoritmi za rangiranje stranica

43. Klasifikacija i klasterovanje • Stumble! • Vivisimo – Clusty • Upit “cell” je vraćao klase: • cell phones • biology • stem cell • manufacturer/battery • itd. Google algoritmi za rangiranje stranica

44. Fuzija podataka • Map.Search - www.map.search.ch Google algoritmi za rangiranje stranica

45. Google algoritmi za rangiranje stranica Reference: [1] Amy N. Langvile, Carl D. Meyer. Google’s PageRank and Beyond: The Science of Search Engine Rankings. Princeton, 2006. Princeton University Press. [2] Junghoo Cho and Hector Garcia-Molina. The evolution of the Web and implications for an incremental crawler, In Proceedings of the Twenty-sixt International Conference on Very Large Databases. New York, 2000. ACM Press. [3] Anti Spam - SpamUnit http://www.spamunit.com/spam-statistics/ [4] Technorati http://technorati.com/about/ [5] Wikipedia http://en.wikipedia.org/ [6] Pandia Search Engine News www.pandia.com [7] Kališen Tara, Dornfest Rel. Google trikovi. Čačak, 2006. Kompjuter biblioteka Prof. Veljko Milutinović vm@etf.bg.ac.yu Branko Golubović jedi@sezampro.yu Google algoritmi za rangiranje stranica