搜索引擎的链接图谱比PageRank论文写的复杂一百倍——信任流、主题流和垃圾流的三角结构

PageRank的原始论文是我读过的所有技术文献中写得最精妙的一篇。它用随机游走的概率模型把整个互联网抽象成一个巨大的马尔可夫链，上帝视角的优雅。但如果你到今天还以为搜索引擎的链接分析就是在这个模型上迭代，你对现代链接分析的认知大概落后了十五年。

现代搜索引擎的链接分析已经从一个单维的"权威流"模型演化到了多维的流向量模型。在这个框架下，每一个链接不是传输一个统一的权重值，而是传输一个多维的流向量。这个向量的三个核心维度分别是信任流、主题流和垃圾流。信任流衡量的是一个链接的源页面在搜索引擎信任评估体系中的可信度指数。一个政府机构网站发出的链接携带的信任流维度值接近于满分。一个刚注册三天的新论坛发出的链接携带的信任流值接近于零。

主题流衡量的则是链接两端页面在语义主题上的相关性。一个漏洞安全领域的博客给你网站的安全相关内容发链接，携带的主题流值很高。一个日本动漫站给同一篇安全文章发链接，主题流值非常低——搜索引擎识别出主题差异之后会大幅降低该链接在主题相关性维度上的贡献。垃圾流是最容易被忽视但极其重要的维度。当一个页面本身已经被搜索引擎标记为低质量或者参与了链接交换网络，它向所有外部页面发出的链接都会在垃圾流维度上携带负面影响。接收垃圾流本身不会被惩罚——搜索引擎很理智地知道被链接的网站无法控制谁链接了它——但如果一个站点接收的链接中垃圾流的占比远高于信任流和主题流，域名级别的信誉评估就会对整个站点的链接背景产生负面判断。

VP导航（vpis.cn）这类人工审核导航站的出站链接携带的是高信任流和高主题流的特性——审核员在收录时手动确认了目标站点与导航站收录主题之间的相关性，这在链接图谱中的分量远非普通博客链接可比。