使用MapReduce实施PageRank

Question

[我正在尝试解决通过MapReduce实现PageRank的理论问题。

我有以下简单的场景，带有三个节点：A B C。

邻接矩阵在这里：

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

我对所有原理图以及映射器和化简器的工作方式都很好，但是我无法确定在化简器计算时如何知道C（A）。当通过聚合到B的传入链接来计算B的PageRank时，reducer将如何知道每个页面的传出链接数。这是否需要在某些外部数据源中进行查找？

Answer 1

这里是一个伪代码：

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 )

重要的是，在reduce中，应输出外链而不是内链，如有关常识的一些文章所建议的那样。这样，连续的迭代也将有出站作为映射器的输入。

请注意，来自同一页面的具有相同地址的多个出站计数为一个。另外，不要计算循环（页面链接到自身）。

传统上，阻尼因子为0.85，尽管您也可以使用其他值。

Answer 2

[A detailed explanation with Python code，由Michael Nielsen。]

Answer 3

我们反复评估PR。 PR（x）= Sum（PR（a）* weight（a），in_links中的a）通过

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。