我正在尝试实现本文中描述的 PageRank 算法（图 1）。以下是步骤的细分：
http://www.louismullie.com/algo.png
在哪里：
pT是随机游走的概率分布（通常，每个元素是1/N其中 N 是元素的总数）P是连接矩阵，其中p(i,j) = {1 or 0} / # outbound links.我很好地理解了前两个步骤的基本原理。在以下等式中，
步骤 2 求解第二项。但是，我不明白步骤 3-4 背后的基本原理。特别是，我不明白添加omega * pT算法描述如何等于添加(1-d)/N上面显示的等式。结果，我用这两种方法得到的输出不同。有人可以启发我吗？
的链接之一之后查看给定页面（其中哪个是由他们的相对权重，即当前迭代的概率（如果这些由向量的分量确定）跳转到不相关的页面（例如，通过使用书签）。如前所述，将其写为矩阵向量乘积与显式矩阵非常昂贵，因为跳转到任意页面会导致矩阵完全填充。所以一个人写道分别计算。在上述算法中，步骤 2 对应于第一项，步骤 3 和 4 对应于第二项。具体形式在论文中有详细推导（方程（4）和（5））。
请注意，维基百科的文章只包括一个统一的跳跃概率（令人困惑地称为阻尼因子），而论文使用了一个非统一的概率（由个性化向量给出）并包括一个额外的术语以防止卡在没有传出链接的页面上.
（我还应该指出，维基百科的文章并不是对正在发生的事情的一个非常好的解释，尤其是在数学上。更好的来源是这篇SIAM 评论文章。）
PageRank方法基本上是Power迭代，用于找到与转移矩阵的最大特征值对应的特征向量。您引用的算法直接来自您引用的论文的等式（4）和（5），这只是实现具有特定结构的矩阵的幂迭代的一种方式。我不知道您涉及的方程式来自哪里，或者它意味着什么，或者它与您的问题的其余部分有何关系。