1樓：
似乎大家都在有意避開時間複雜度？
PageRank的時間複雜度為 ，其中 是網路節點個數， 是迭代次數，這個迭代次數與收斂的閾值 有關。
PageRank這篇原文提到了，對於大型網路，這個迭代次數與邊的關係是接近線性的logn。
2樓：sink
PR演算法模型十分簡單，簡單說來就是求Markov轉移概率矩陣，通過迭代求該矩陣的最大特徵值。引入阻尼係數主要是為了提供乙個PR的下限，使「零鏈入頁面」也有其網頁價值（PR值）。不得不承認PR是乙個天才級別的演算法，因為其核心簡單、實現容易，即使放到海量資料的今天，PR也能夠很容易在並行框架下實現。
不過Google早就大幅降低PR在其SEO中的地位，主要問題還是PR值本身能夠反映出的網頁價值不精確。在各行業越來越注重精準營銷的今天，PR注定要被淘汰，這也是為什麼TR能夠逐步取代PR在SEO地位的原因了。
3樓：小牙
PageRank演算法本身很容易理解，但求解過程、結果唯一與穩定的證明比較複雜，需要一定的數學功底
PageRank的求解就是求鏈結矩陣的特徵向量，小量資料可以使用冪運算迭代的方式求解，大資料集的話需要採用分解矩陣等平行計算方式進行處理。
基本知識點包括線性代數，圖論，馬爾可夫等概率的知識，數值計算等
4樓：大雄
pagerank演算法實現本身不難，10分鐘也就寫出來了，海量資料的時候會相對麻煩一點，但有hadoop之類的工具也不難實現。
PR是個簡單有效的演算法，內涵比較有意思，現在改進演算法也很多了，例如trustrank等。
5樓：駱逸
PageRank在演算法和數學上並不複雜，具體描述可見http://en.wikipedia.org/wiki/PageRank
。在做web級別的計算時，主要的挑戰來自海量的資料，需要有大規模平行計算技術的支援。因為PageRank存在的缺陷，現已為更高階的模型（可參見HITS和TrustRank）取代。
PageRank 演算法為什麼會躋身資料探勘十大經典演算法之列？
張戎 在學習資料探勘和機器學習的演算法過程中，確實有很多教材不會專門寫 PageRank 演算法，但是這並不表明 PageRank 演算法不重要。在圖演算法領域中，個人覺得 PageRank 演算法應該是非常經典的演算法，除此之外，還有 FastUnfolding 演算法等。另外，可以去 GOOGL...
關於演算法的時間複雜度
水dong方塊 演算法時間複雜度分析 選取演算法中一種基本 主要的原操作 取自最深層次迴圈體內的語句 以它重複操作的次數Tn衡量演算法執行時間 n是處理的資料的規模。如果存在兩個常數c1，c2 時則稱Tn和fn 有相同的漸進複雜度 記作 Tn na than 求解演算法的時間複雜度的具體步驟是 找出...
如何證明Manacher演算法的時間複雜度是O n
Manacher演算法本身的原理就不贅述了，提供一點關於時間複雜度的個人見解。首先for loop裡面套乙個while loop，直覺非常像 但前提是for loop本身的次數，和while loop本身迴圈的複雜度都是 真的是這樣嗎？未必。為什麼未必呢？想想Manacher演算法的核心思想是什麼，...