pr的演算法
㈠ 網站PR的計算公式！
假設一個由4個頁面組成的小團體：A，B， C 和 D。如果所有頁面都鏈向A，那麼A的PR(PageRank)值將是B，C 及 D的和。
PR(A) = PR(B) + PR(C) + PR(D)
繼續假設B也有鏈接到C，並且D也有鏈接到包括A的3個頁面。一個頁面不能投票2次。所以B給每個頁面半票。以同樣的邏輯，D投出的票只有三分之一算到了A的 PageRank 上。
PR(A) =PR(B) /2+PR(C) /1+PR(D)/3
換句話說，根據鏈處總數平分一個頁面的PR值。
PR(A) =PR(B) /L(B)+PR(C) /L(C)+PR(D)/L(D)
最後，所有這些被換算為一個百分比再乘上一個系數q。由於下面的演算法，沒有頁面的PageRank會是0。所以，Google通過數學系統給了每個頁面一個最小值1−q。
PR(A) =(PR(B) /L(B)+PR(C) /L(C)+PR(D)/L(D)+...+PR(N)/L(N))q+1-q
所以一個頁面的 PageRank 是由其他頁面的PageRank計算得到。Google 不斷的重復計算每個頁面的 PageRank。如果您給每個頁面一個隨機 PageRank 值(非0)，那麼經過不斷的重復計算，這些頁面的 PR 值會趨向於正常和穩定。這就是搜索引擎使用它的原因。
其中，PR(A)：指網頁A的佩奇等級(PR值)
PR(B)、PR(C)...PR(N)表示鏈接網頁A的網頁N的佩奇等級(PR)。N是鏈接的總數，這個鏈接可以使來自任何網站的導入鏈接(反向鏈接)。
L(N)：網頁N往其他網站鏈接的數量(網頁N的導出鏈接數量)
q：阻尼系數，介於0-1之間，google設為0.85.
從上面的公式我們可以看到網頁A的PR是由鏈接它的其他網頁L(N)所決定的。在網頁L(N)中如果有一個鏈接指向網頁A，那麼A就得到了一個「投票氣而這個投票來自網上任何一張網頁。每個「投票」都是表示一份「支持」。越多的鏈接指向網頁A，網頁A的PR值或者等級就越高。沒有鏈接就是沒有一個網頁支持A。
但是不同網頁的PR值不同，所以不同的網頁給網頁A的投票權重是不一樣的。
完整的PR值計算方法
這個方程式引入了隨機瀏覽的概念，即有人上網無聊隨機打開一些頁面，點一些鏈接。一個頁面的PageRank值也影響了它被隨機瀏覽的概率。為了便於理解，這里假設上網者不斷點網頁上的鏈接，最終到了一個沒有任何鏈出頁面的網頁，這時候上網者會隨機到另外的網頁開始瀏覽。
㈡ PR的演算法介紹
PageRank
基本思想：如果網頁T存在一個指向網頁A的連接，則表明T的所有者認為A比較重要，從而把T的一部分重要性得分賦予A。這個重要性得分值為：PR（T）/C(T)
其中PR（T）為T的PageRank值，C(T)為T的出鏈數，則A的PageRank值為一系列類似於T的頁面重要性得分值的累加。
PR（A）=（1-d）+d（PR（t1）/C（t1）+…+PR（tn）/C（tn））
A代表頁面A
PR（A）則代表頁面A的PR值
d為阻尼指數。通常認為d=0.85
t1…tn 代表鏈接向頁面A的頁面t1到tn
C代表頁面上的外鏈接數目。C（t1）即為頁面t1上的外鏈接數目
從計算公式可以看到，計算PR值必須使用迭代計算才能得到。
優點：是一個與查詢無關的靜態演算法，所有網頁的PageRank值通過離線計算獲得；有效減少在線查詢時的計算量，極大降低了查詢響應時間。
不足：人們的查詢具有主題特徵，PageRank忽略了主題相關性，導致結果的相關性和主題性降低；另外，PageRank有很嚴重的對新網頁的歧視。
Topic-Sensitive
（主題敏感的PageRank）
基本思想：針對PageRank對主題的忽略而提出。核心思想：通過離線計算出一個PageRank向量集合，該集合中的每一個向量與某一主題相關，即計算某個頁面關於不同主題的得分。主要分為兩個階段：主題相關的PageRank向量集合的計算和在線查詢時主題的確定。
優點：根據用戶的查詢請求和相關上下文判斷用戶查詢相關的主題（用戶的興趣）返回查詢結果准確性高。
不足：沒有利用主題的相關性來提高鏈接得分的准確性。
Hilltop
基本思想：與PageRank的不同之處：僅考慮專家頁面的鏈接。主要包括兩個步驟：專家頁面搜索和目標頁面排序。 優點：相關性強，結果准確。 不足：專家頁面的搜索和確定對演算法起關鍵作用，專家頁面的質量決定了演算法的准確性，而專家頁面的質量和公平性難以保證；忽略了大量非專家頁面的影響，不能反映整個Internet的民意；當沒有足夠的專家頁面存在時，返回空，所以Hilltop適合對於查詢排序進行求精。
㈢ 網站的「pr」是什麼意思，怎麼提高「pr」
因為現在短視頻的崛起，任何企業，任何工作室或者個人都需要剪輯大量的視頻來包裝品牌，發抖音，發朋友圈，發淘寶等自媒體渠道做展示。因為每天都要更新並發布新內容，所以剪輯師根本招不夠，供需失衡就造成了剪輯師高薪水(無論是找工作還是自己在家裡接私單，月收入輕松過萬，兩三萬也是稀鬆平常。)【推薦一個免費「短視頻剪輯後期」學習網址】：
www.huixueba.net/web/AppWebClient/AllCourseAndResourcePage?type=1&tagid=313&zdhhr-11y04r-1738352354462753267
而且剪輯這個技術並不需要高超的電腦技術，也不需要美術音樂造詣，基本都是固定套路，要什麼風格的片要什麼節奏，經過三四個月的培訓可以輕松掌握。但凡有點電腦基礎，會用滑鼠拖拽，會點擊圖標，會保存，除非自己不想學，沒有學不會的。但要學好學精，自製能力相對較弱的話，建議還是去好點的培訓機構，實力和規模在國內排名前幾的大機構，推薦王氏教育。
在視頻剪輯這塊，【王氏教育】是國內的老大，每個城市都是總部直營的連鎖校區。跟很多其它同類型大機構不一樣的是：王氏教育每個校區都是實體面授，老師是手把手教，而且有專門的班主任從早盯到晚，爆肝式的學習模式，提升會很快，特別適合0基礎的學生。王氏教育全國直營校區面授課程試聽【復制後面鏈接在瀏覽器也可打開】：
www.huixueba.com.cn/school/yingshi?type=2&zdhhr-11y04r-1738352354462753267
大家可以先把【繪學霸】APP下載到自己手機，方便碎片時間學習——繪學霸APP下載： www.huixueba.com.cn/Scripts/download.html
㈣ PR的演算法
***********************************************************
* Function Name:
* i = IndexKMP();
*
* Parameters:
* char *S - 主串或文本串
* char *P - 模式串
* int pos - 起始查詢的位置
*
* Return Value:
* int
*
* Description:
* 一般的kmp演算法實現模式匹配.
************************************************************************/
int IndexKMP(const char* S, const char* P, int pos)
{ // 利用模式串P的next函數求P在主串S中第pos個字元之後的位置的KMP演算法
// 其中, P非空, 1≤pos≤strlen(S)
assert(S && P && "Primary String S or Pattern P is NULL in IndexKMP()!\n");
int i = pos - 1, j = 0; // 從第1個字元開始,i為主串的索引,j為模式串的索引
int n = strlen(S), m = strlen(P); // 取串長度
if (n < m) return 0; // 隱含條件:模式串的長度必須小於或等於主串的長度
assert((pos >= 1) && (pos <= n) &&
"Parameter pos is not in the domain[1, strlen] in IndexKMP()!\n");
int *next = NULL; // 生成next數組空間
next = (int*)malloc((m + 1) * sizeof(int)); // m+1是為了防止在get_next()函數中內存訪問溢出
assert(next && "Allocate memory for next[] failed in IndexKMP()!\n!");
/* Preprocessing */
get_next(P, m, next); // 創建next數組___next數組訪問越界
#ifdef _DEBUG
printf("\nNext[]:\n");
for (int x = 0; x < m; ++x)
{
printf("%d\t", next[x]);
}
printf("\n");
#endif
#ifdef _DEBUG
int iCount = 0;
#endif
/* Searching */
while (i <= n - m + j && j < m)
{
if (S[i] == P[j] || j == -1)
{ // 不失配繼續比較後續字元
#ifdef _DEBUG
if (j != -1) iCount++;
#endif
++i;
++j;
}
else
{ // 模式串向右移動(特點：S的i指針不回溯，從P的k位置開始匹配)
#ifdef _DEBUG
iCount++;
#endif
j = next[j];
}
}
free(next); next = NULL;
if (j == m)
{
#ifdef _DEBUG
printf("匹配時KMP演算法的比較次數為:");
PRi(iCount);
#endif
return (i - m + 1); // 匹配成功
}
else
{
#ifdef _DEBUG
printf("失配時KMP演算法的比較次數為:");
PRi(iCount);
#endif
return 0; // 匹配不成功
}
} // IndexKMP