使用MapReduce实现PageRank

Question

我正在尝试解决一个关于用MapReduce实现PageRank的理论问题。

我有以下三个节点的简单场景:A、B、C。

邻接矩阵如下：

A { B, C }
B { A }

例如，B的PageRank等于：

(1-d)/N + d ( PR(A) / C(A) ) 

N     = number of incoming links to B
PR(A) = PageRank of incoming link A
C(A)  = number of outgoing links from page A

我对所有的原理图以及映射器和减速器如何工作都很满意，但我不明白在减速器计算的时候，C(A)是如何知道的。在通过将传入链接聚合到B来计算B的PageRank时，reducer将如何知道每个页面的传出链接的数量。这是否需要在某些外部数据源中进行查找？

Answer 1

下面是一个伪代码：

map( key: [url, pagerank], value: outlink_list )
    for each outlink in outlink_list
        emit( key: outlink, value: pagerank/size(outlink_list) )

    emit( key: url, value: outlink_list )

reducer( key: url, value: list_pr_or_urls )
    outlink_list = []
    pagerank = 0

    for each pr_or_urls in list_pr_or_urls
        if is_list( pr_or_urls )
            outlink_list = pr_or_urls
        else
            pagerank += pr_or_urls

    pagerank = 1 - DAMPING_FACTOR + ( DAMPING_FACTOR * pagerank )

    emit( key: [url, pagerank], value: outlink_list )

在reduce中，你应该输出外部链接而不是内部链接，这一点很重要，正如intenret上的一些文章所建议的那样。这样，连续的迭代也会有外部链接作为映射器的输入。

请注意，来自同一页面的具有相同地址的多个外部链接被视为一个链接。另外，不要计算循环次数(页面链接到自身)。

传统上，阻尼因子为0.85，不过您也可以使用其他值。

Answer 2

A detailed explanation with Python code，迈克尔·尼尔森著。

Answer 3

我们迭代地评估PR。PR(x) = Sum(PR(a)*weight(a)，a in in_links) by

map ((url,PR), out_links) //PR = random at start
for link in out_links
   emit(link, ((PR/size(out_links)), url))

reduce(url, List[(weight, url)):
   PR =0
   for v in weights
       PR = PR + v
   Set urls = all urls from list

   emit((url, PR), urls)

所以输出等于输入，我们可以这样做，直到覆盖。