使用 MapReduce 实施 PageRank

Question

我正在尝试解决使用 MapReduce 实现 PageRank 的理论问题。

我有以下具有三个节点的简单场景：AB 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减速器如何工作都很好，但我无法理解围绕如何在reducer计算时知道C(A)。当通过聚合 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量。这是否需要在某些外部数据源中查找？

Answer 1

这是一个伪代码：

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中您应该输出外链而不是内链，正如intenret上的一些文章所建议的那样。这样，连续迭代也将具有外链接作为映射器的输入。

请注意，同一页面中具有相同地址的多个外链计为 1。另外，不要计算循环（链接到自身的页面）。

阻尼系数传统上为 0.85，但您也可以使用其他值。

Answer 2

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

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)

输出等于输入，我们可以这样做直到覆盖。