دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: شبکه سازی: اینترنت ویرایش: نویسندگان: Amy N. Langville, Carl D. Meyer سری: ISBN (شابک) : 0691122024, 9780691122021 ناشر: Princeton University Press سال نشر: 2006 تعداد صفحات: 235 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 مگابایت
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.
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 است که در مورد علم رتبهبندی صفحات
وب،Google's PageRank and Beyondپاسخ به این سوالات و
سوالات دیگر و موارد دیگر را ارائه میکند.
این کتاب به دو مورد ارائه میدهد. مخاطبان بسیار متفاوت: خواننده
علم کنجکاو و خواننده محاسباتی فنی. فصلها با 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 مانند نحوه کسب درآمد
موتورهای جستجو و چگونگی تأثیر دیوار آتش بزرگ چین بر تحقیقات
هستند.
این کتاب شامل یک فصل پس زمینه گسترده است که برای کمک به
خوانندگان برای یادگیری بیشتر طراحی شده است. در مورد ریاضیات
موتورهای جستجو، و حاوی چندین کد متلب و پیوند به نمونه مجموعه
داده های وب است. فلسفه در سراسر 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 بهره مند
شود. کد نمونه، و فهرست منابع ارائه شده.
نمونههای توضیحی فراوان و نکات سرگرمکننده
کد متلب< br />
سبک در دسترس و غیررسمی
بخش کامل و مستقل برای بررسی ریاضیات
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 Beyondsupplies 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
Cover Contents Preface Chapter 1. Introduction to Web Search Engines * 1.1 A Short History of Information Retrieval * 1.2 An Overview of Traditional Information Retrieval * 1.3 Web Information Retrieval Chapter 2. Crawling, Indexing, and Query Processing * 2.1 Crawling * 2.2 The Content Index * 2.3 Query Processing Chapter 3. Ranking Webpages by Popularity * 3.1 The Scene in 1998 * 3.2 Two Theses * 3.3 Query-Independence Chapter 4. The Mathematics of Google’s PageRank * 4.1 The Original Summation Formula for PageRank * 4.2 Matrix Representation of the Summation Equations * 4.3 Problems with the Iterative Process * 4.4 A Little Markov Chain Theory * 4.5 Early Adjustments to the Basic Model * 4.6 Computation of the PageRank Vector * 4.7 Theorem and Proof for Spectrum of the Google Matrix Chapter 5. Parameters in the PageRank Model * 5.1 The α Factor * 5.2 The Hyperlink Matrix H * 5.3 The Teleportation Matrix E Chapter 6. The Sensitivity of PageRank * 6.1 Sensitivity with respect to α * 6.2 Sensitivity with respect to H * 6.3 Sensitivity with respect to v[sup(T)] * 6.4 Other Analyses of Sensitivity * 6.5 Sensitivity Theorems and Proofs Chapter 7. The PageRank Problem as a Linear System * 7.1 Properties of (I – αS) * 7.2 Properties of (I – αH) * 7.3 Proof of the PageRank Sparse Linear System Chapter 8. Issues in Large-Scale Implementation of PageRank * 8.1 Storage Issues * 8.2 Convergence Criterion * 8.3 Accuracy * 8.4 Dangling Nodes * 8.5 Back Button Modeling Chapter 9. Accelerating the Computation of PageRank * 9.1 An Adaptive Power Method * 9.2 Extrapolation * 9.3 Aggregation * 9.4 Other Numerical Methods Chapter 10. Updating the PageRank Vector * 10.1 The Two Updating Problems and their History * 10.2 Restarting the Power Method * 10.3 Approximate Updating Using Approximate Aggregation * 10.4 Exact Aggregation * 10.5 Exact vs. Approximate Aggregation * 10.6 Updating with Iterative Aggregation * 10.7 Determining the Partition * 10.8 Conclusions Chapter 11. The HITS Method for Ranking Webpages * 11.1 The HITS Algorithm * 11.2 HITS Implementation * 11.3 HITS Convergence * 11.4 HITS Example * 11.5 Strengths and Weaknesses of HITS * 11.6 HITS’s Relationship to Bibliometrics * 11.7 Query-Independent HITS * 11.8 Accelerating HITS * 11.9 HITS Sensitivity Chapter 12. Other Link Methods for Ranking Webpages * 12.1 SALSA * 12.2 Hybrid Ranking Methods * 12.3 Rankings based on Traffic Flow Chapter 13. The Future of Web Information Retrieval * 13.1 Spam * 13.2 Personalization * 13.3 Clustering * 13.4 Intelligent Agents * 13.5 Trends and Time-Sensitive Search * 13.6 Privacy and Censorship * 13.7 Library Classification Schemes * 13.8 Data Fusion Chapter 14. Resources for Web Information Retrieval * 14.1 Resources for Getting Started * 14.2 Resources for Serious Study Chapter 15. The Mathematics Guide * 15.1 Linear Algebra * 15.2 Perron–Frobenius Theory * 15.3 Markov Chains * 15.4 Perron Complementation * 15.5 Stochastic Complementation * 15.6 Censoring * 15.7 Aggregation * 15.8 Disaggregation Chapter 16. Glossary Bibliography Index