以下关于PageRank算法的说法，哪个是正确的

关于PageRank算法，下列说法错误的是（ ）

A.PageRank算法提出了一种新的数学统计方法

B.PageRank算法使谷歌在搜索引擎的竞争中脱颖而出

C.PageRank算法改变了以网页访问量作为排序依据的传统想法

D.PageRank算法能够更准确、更省力地统计出网页的访问量 “

PageRank是Google公司提出的计算网页重要度的一种方法。参见下图，简单而言，网页是由“文本”和“链接”构成的，“链接”可使用户从一个网页跳转到另一个网页。因此，所谓“链接”即是某一个网页的地址，通过网页链接的读取，可以建立起各个网页之间的链接关系。对一个网页而言，其链接到其他网页的链接被称为“正向链接”，而所有链接到该网页的链接被称为“反向链接”。关于PageRank算法，回答问题。前述说过 PageRank，通过不断地计算来计算网页重要度，即由第(m-1)次的网页重要度来计算第(m)次的网页重要度，那么网页重要度的初始值应如何获得呢? 下列说法正确的是_____。

A、随机产生各网页重要度的一组值，使网页重要度界于0和1之间，但该组值对最终结果没有影响

B、随机产生各网页重要度的一组值，该组值对最终计算结果没有影响

C、由专家给出各网页重要度的一组值，该组值的质量好坏直接影响计算结果

D、设定各网页重要度都是1

PageRank 是 Google 公司提出的计算网页重要度的一种方法。参见下图,简单而言,网页是由“文本”和“链接”构成的,“链接”可使用户从一个网页跳转到另一个网页。因此,所谓“链接”即是某一个网页的地址,通过网页链接的读取,可以建立起各个网页之间的链接关系。对一个网页而言,其链接到其他网页的链接被称为“正向链接”,而所有链接到该网页的链接被称为“反向链接”。关于 PageRank 算法,回答问题。 前述说过 PageRank 网页 i 重要度 可以通过迭代地计算得到,即由 m-1 状态下各个网页的重要度 ,依转移概率矩阵计算 m 状态下网页重要度 ,参见下图。 关于网页重要度的计算过程,下列说法正确的是 _____

A．在得到了转移概率矩阵 M 后，任意给出网页重要度的一组值，记为 ，是一向量，参见下图，继续进行 是将状态序列 断迭代产生后趋于稳定的，或者说收敛的 ，作为最终的 R ，即是已知 M 情况下，求方程 R=MR 的解

D．上述说法都正确

A、PageRank简化算法对G中的每一个节点n，设定其初始值均为1/n

B、PageRank标准算法不考虑没有超链接网页的情况

C、PageRank简化算法可以保证迭代过程中的PageRank值之和为1

D、在实际运算过程中，由于节点数n的值巨大，因此通常采用适用于稀疏矩阵运算的PageRank标准算法来对运算过程进行改善

A、PageRank标准算法不考虑没有超链接网页的情况

B、PageRank简化算法对G中的每一个节点n，设定其初始值均为1/n

C、PageRank简化算法可以保证迭代过程中的PageRank值之和为1

D、在实际运算过程中，由于节点数n的值巨大，因此通常采用适用于稀疏矩阵运算的PageRank标准算法来对运算过程进行改善

A、PageRank简化算法可以保证迭代过程中的PageRank值之和为1

B、PageRank简化算法对G中的每一个节点n，设定其初始值均为1/n

C、在实际运算过程中，由于节点数n的值巨大，因此通常采用适用于稀疏矩阵运算的PageRank标准算法来对运算过程进行改善

D、PageRank标准算法不考虑没有超链接网页的情况

A.被多次引用的页面

B.没有被多次引用的页面

C.被非重要的页面引用的页面

D.页面的重要性无法传递

搜索引擎的过程中需要用到PageRank等算法。()

PageRank算法是基于网页链接分析对关键字匹配搜索结果进行处理的。它借鉴传统引文分析思想：当网页甲有一个链接指向网页乙，就认为乙获得了甲对它贡献的分值，该值的多少取决于网页甲本身的重要程度，即网页甲的重要性越大，网页乙获得的贡献值就越高。由于网络中网页链接的相互指向，该分值的计算为一个迭代过程，最终网页根据所得分值进行检索排序。

互联网是一张有向图，每一个网页是图的一个顶点，网页间的每一个超链接是图的一个边，邻接矩阵B=(b)w如果从网页i到网页j有超链接，则by=1，否则为0。

记矩阵B的列和及行和分别是它们分别给出了页面j的链人链接数目和页面i的链出链接数目。假如在上网时浏览页面并选择下一个页面的过程，与过去浏览过哪些页面无关，而仅依赖于当前所在的页面。那么这一-选择过程可以认为是一一个有限状态、离散时间的随机过程，其状态转移规律用Markov链描述。定义矩阵A=(ay)wxn为式中:d是模型参数，通常取d=0.85;A是Markov链的转移概率矩阵;ay表示从页面i转移到页而j的概率。根据Markov链的基本性质，对于正则Markov链存在平稳分布x=式中:x为在极限状态(转移次数趋于无限)下各网页被访问的概率分布，Google将它定义为各网页的PageRank值。假设x已经得到，则它按分量满足方程网页i的PageRank值是划，它链出的页面有τ个，于是页面i将它的PageRank值分成r份，分别“投票"给它链出的网页。x为网页k的PageRank值，即网络上所有页面“投票给网页k的最终值。根据Markov链的基本性质还可以得到，平稳分布(即PageRank值)是转移概率矩阵A的转置矩阵AT的最大特征值(=1)所对应的归一化特征向量。

已知一个N=6的网络如图4.8所示，求它的PageRank取值。