دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Google's PageRank and beyond: the science of search engine rankings
دانلود کتاب رتبه صفحه گوگل و فراتر از آن: علم رتبه بندی موتورهای جستجو
مشخصات کتاب
Google's PageRank and beyond: the science of search engine rankings
ویرایش: Neuaufl نویسندگان: Langville. Amy N., Meyer. Carl D سری: ISBN (شابک) : 9780691152660, 0691152667 ناشر: Princeton Univ. Press سال نشر: 2012 تعداد صفحات: 235 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 مگابایت
قیمت کتاب (تومان) : 45,000
کلمات کلیدی مربوط به کتاب رتبه صفحه گوگل و فراتر از آن: علم رتبه بندی موتورهای جستجو: گوگل، رتبه بندی، موتور جستجو
در صورت تبدیل فایل کتاب Google's PageRank and beyond: the science of search engine rankings به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب رتبه صفحه گوگل و فراتر از آن: علم رتبه بندی موتورهای جستجو نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب رتبه صفحه گوگل و فراتر از آن: علم رتبه بندی موتورهای جستجو
چرا صفحه اصلی شما در صفحه اول نتایج جستجو ظاهر نمی شود، حتی زمانی که نام خود را جویا می شوید؟ چگونه سایر صفحات وب همیشه در بالا ظاهر می شوند؟ چه چیزی این رتبه بندی های قدرتمند را ایجاد می کند؟ و چطور؟ اولین کتابی که تا کنون در مورد علم رتبه بندی صفحات وب، صفحه رتبه گوگل و فراتر از آن، پاسخ به این سوالات و سوالات دیگر و موارد دیگر را ارائه می دهد. این کتاب به دو مخاطب بسیار متفاوت خدمت می کند: خواننده کنجکاو علم و خواننده محاسباتی فنی. فصل‌ها در پیچیدگی ریاضی ساخته شده‌اند، به طوری که پنج فصل اول برای خواننده عمومی دانشگاهی قابل دسترسی است. در حالی که فصل‌های دیگر ماهیت ریاضی بیشتری دارند، هر کدام حاوی چیزی برای هر دو مخاطب است. به عنوان مثال، نویسندگان شامل موارد سرگرم کننده هستند، مانند اینکه چگونه موتورهای جستجو پول در می آورند و چگونه فایروال بزرگ چین بر تحقیقات تأثیر می گذارد. این کتاب شامل یک فصل پس زمینه گسترده است که برای کمک به خوانندگان برای یادگیری بیشتر در مورد ریاضیات موتورهای جستجو طراحی شده است و حاوی چندین کد متلب و پیوندهایی به نمونه مجموعه داده های وب است. فلسفه در کل این است که خوانندگان را تشویق کنیم تا ایده ها و الگوریتم های موجود در متن را آزمایش کنند. هر کسب و کاری که به طور جدی علاقه مند به بهبود رتبه خود در موتورهای جستجوی اصلی است، می تواند از مثال های واضح، کد نمونه و فهرست منابع ارائه شده بهره مند شود. بسیاری از مثال‌های گویا و نکات سرگرم‌کننده کد متلب سبک در دسترس و غیررسمی بخش کامل و مستقل برای بررسی ریاضیات
توضیحاتی درمورد کتاب به خارجی
Why doesn't your home page appear on the first page of search results, even when you query your own name? How do other web pages always appear at the top? What creates these powerful rankings? And how? The first book ever about the science of web page rankings, Google's PageRank and Beyond supplies the answers to these and other questions and more. The book serves two very different audiences: the curious science reader and the technical computational reader. The chapters build in mathematical sophistication, so that the first five are accessible to the general academic reader. While other chapters are much more mathematical in nature, each one contains something for both audiences. For example, the authors include entertaining asides such as how search engines make money and how the Great Firewall of China influences research. The book includes an extensive background chapter designed to help readers learn more about the mathematics of search engines, and it contains several MATLAB codes and links to sample web data sets. The philosophy throughout is to encourage readers to experiment with the ideas and algorithms in the text. Any business seriously interested in improving its rankings in the major search engines can benefit from the clear examples, sample code, and list of resources provided. Many illustrative examples and entertaining asides MATLAB code Accessible and informal style Complete and self-contained section for mathematics review
فهرست مطالب
Preface ix Chapter 1: Introduction to Web Search Engines 1 1.1 A Short History of Information Retrieval 1 1.2 An Overview of Traditional Information Retrieval 5 1.3 Web Information Retrieval 9 Chapter 2: Crawling, Indexing, and Query Processing 15 2.1 Crawling 15 2.2 The Content Index 19 2.3 Query Processing 21 Chapter 3: Ranking Webpages by Popularity 25 3.1 The Scene in 1998 25 3.2 Two Theses 26 3.3 Query-Independence 30 Chapter 4: The Mathematics of Google's PageRank 31 4.1 The Original Summation Formula for PageRank 32 4.2 Matrix Representation of the Summation Equations 33 4.3 Problems with the Iterative Process 34 4.4 A Little Markov Chain Theory 36 4.5 Early Adjustments to the Basic Model 36 4.6 Computation of the PageRank Vector 39 4.7 Theorem and Proof for Spectrum of the Google Matrix 45 Chapter 5: Parameters in the PageRank Model 47 5.1 The alpha Factor 47 5.2 The Hyperlink Matrix H 48 5.3 The Teleportation Matrix E 49 Chapter 6: The Sensitivity of PageRank 57 6.1 Sensitivity with respect to alpha 57 6.2 Sensitivity with respect to H 62 6.3 Sensitivity with respect to vT 63 6.4 Other Analyses of Sensitivity 63 6.5 Sensitivity Theorems and Proofs 66 Chapter 7: The PageRank Problem as a Linear System 71 7.1 Properties of (I -- alphaS) 71 7.2 Properties of (I -- alphaH) 72 7.3 Proof of the PageRank Sparse Linear System 73 Chapter 8: Issues in Large-Scale Implementation of PageRank 75 8.1 Storage Issues 75 8.2 Convergence Criterion 79 8.3 Accuracy 79 8.4 Dangling Nodes 80 8.5 Back Button Modeling 84 Chapter 9: Accelerating the Computation of PageRank 89 9.1 An Adaptive Power Method 89 9.2 Extrapolation 90 9.3 Aggregation 94 9.4 Other Numerical Methods 97 Chapter 10: Updating the PageRank Vector 99 10.1 The Two Updating Problems and their History 100 10.2 Restarting the Power Method 101 10.3 Approximate Updating Using Approximate Aggregation 102 10.4 Exact Aggregation 104 10.5 Exact vs. Approximate Aggregation 105 10.6 Updating with Iterative Aggregation 107 10.7 Determining the Partition 109 10.8 Conclusions 111 Chapter 11: The HITS Method for Ranking Webpages 115 11.1 The HITS Algorithm 115 11.2 HITS Implementation 117 11.3 HITS Convergence 119 11.4 HITS Example 120 11.5 Strengths and Weaknesses of HITS 122 11.6 HITS's Relationship to Bibliometrics 123 11.7 Query-Independent HITS 124 11.8 Accelerating HITS 126 11.9 HITS Sensitivity 126 Chapter 12: Other Link Methods for Ranking Webpages 131 12.1 SALSA 131 12.2 Hybrid Ranking Methods 135 12.3 Rankings based on Traffic Flow 136 Chapter 13: The Future of Web Information Retrieval 139 13.1 Spam 139 13.2 Personalization 142 13.3 Clustering 142 13.4 Intelligent Agents 143 13.5 Trends and Time-Sensitive Search 144 13.6 Privacy and Censorship 146 13.7 Library Classification Schemes 147 13.8 Data Fusion 148 Chapter 14: Resources for Web Information Retrieval 149 14.1 Resources for Getting Started 149 14.2 Resources for Serious Study 150 Chapter 15: The Mathematics Guide 153 15.1 Linear Algebra 153 15.2 Perron-Frobenius Theory 167 15.3 Markov Chains 175 15.4 Perron Complementation 186 15.5 Stochastic Complementation 192 15.6 Censoring 194 15.7 Aggregation 195 15.8 Disaggregation 198 Chapter 16: Glossary 201 Bibliography 207 Index 219
