Wat is PageRank?
PageRank is de naam van het linkanalyse-algoritme uitgevonden door Sergey Brin en Larry (Lawrence) Page aan Stanford University, en tegelijkertijd de formule die de basis vormde voor het oprichten van Google.
Veel mensen denken ten onrechte dat PageRank niet langer deel uitmaakt van Google's algoritmen. Het is belangrijk om te begrijpen dat PageRank een van de hoekstenen van Google is en een absoluut essentieel onderdeel van Google.
In zijn eenvoud streeft de formule ernaar numerieke waarden toe te kennen aan hyperlinks om het relatieve belang van een pagina te meten. Met andere woorden, PageRank is een populariteitsalgoritme gebaseerd op citatieanalyse.
Oorsprong van de Naam
Het was Larry zelf die de formule een naam gaf, vandaar de naam PageRank. Het heet niet PageRank omdat de waarde een website als geheel dekt. PageRank accumuleert op alle pagina's van een website waartoe Google toegang heeft, niet op domeinniveau.
Veel Voorkomend Misverstand
PageRank wordt toegepast op paginaniveau, wat betekent dat er zoiets als bijvoorbeeld een PageRank-4 domein niet bestaat. Het zou een website worden genoemd met een homepage die een PageRank van 4 heeft – het is niet het domein zelf.
De Geschiedenis van PageRank
De Uitvinding
Larry Page en Sergey Brin ontwikkelen BackRub (later Google) aan Stanford University
Eerste iteratie van het PageRank-algoritme gebaseerd op citatieanalyse
Patent Aanvraag
Stanford University vraagt patent aan voor het PageRank-algoritme
Patent US6285999B1 beschrijft het wiskundige algoritme in detail
Google Oprichting
Google Inc. wordt opgericht met PageRank als kernalgoritme
PageRank wordt de primaire rankingfactor voor zoekresultaten
Toolbar PageRank
Google Toolbar toont publieke PageRank-waarden (0-10 schaal)
Webmasters kunnen de PageRank-scores van hun pagina's zien in Google Toolbar
Toolbar Stopgezet
Google stopt met het updaten van publieke PageRank-waarden
PageRank wordt interne Google-tool, niet langer publiekelijk toegankelijk
Moderne Implementatie
PageRank geïntegreerd met honderden andere ranking-signalen
Nog steeds fundamenteel voor Google, maar gecombineerd met machine learning
De Originele PageRank-formule
Basis PageRank-formule
PR(A) = PageRank van pagina A
d = Dempingsfactor (typisch 0.85)
PR(Ti) = PageRank van pagina Ti die linkt naar A
C(Ti) = Aantal uitgaande links van pagina Ti
Vereenvoudigde Versie
De formule in zijn originele vorm verdeelt het gewicht gelijk onder de links die op een pagina worden gevonden, ongeacht of het interne of externe links zijn.
Waarde = PageRank + (PageRank van bronnen × 0.85) / aantal linksPraktisch Voorbeeld
Als je bijvoorbeeld 10 uitgaande links op een pagina hebt, draagt elke link 10% van de PageRank-waarde over die je kunt overdragen.
Wiskundige Analyse
Matrix Representatie
PageRank kan worden berekend met behulp van matrixalgebra, waarbij het web wordt weergegeven als een overgangsmatrix M:
M = d × H + (1-d)/N × J Waarbij: H = Link matrix (hij = 1/L(j) als j linkt naar i, anders 0) J = Matrix van alle 1'en N = Aantal pagina's d = Dempingsfactor
Eigenvector Berekening
De PageRank-vector is de dominante eigenvector van overgangsmatrix M:
π = M × πWaarbij π de PageRank-vector is en M de overgangsmatrix
Convergentiecriteria
Het algoritme convergeert wanneer het verschil tussen iteraties voldoende klein is:
||π(k+1) - π(k)|| < εWaarbij ε typisch 10⁻⁶ is voor hoge precisie
Dempingsfactor (0.85)
Wat is de dempingsfactor?
De dempingsfactor (d = 0.85) vertegenwoordigt de waarschijnlijkheid dat een gebruiker doorgaat met klikken op links, in plaats van een nieuwe zoekopdracht te starten. Met andere woorden, er is 85% kans om een link te volgen en 15% kans om naar een willekeurige pagina te springen.
Met dempingsfactor (d = 0.85)
- ✓ Voorkomt ranking manipulatie
- ✓ Behandelt dangling nodes (pagina's zonder uitgaande links)
- ✓ Garandeert algoritme convergentie
- ✓ Modelleert realistisch gebruikersgedrag
Zonder dempingsfactor (d = 1.0)
- ✗ Rank sinks (pagina's die alle PageRank verzamelen)
- ✗ Algoritme convergeert niet altijd
- ✗ Kwetsbaarder voor manipulatie
- ✗ Onrealistisch gebruikersmodel
Wiskundige betekenis van dempingsfactor
Iteratief Berekeningsproces
PageRank wordt iteratief berekend, waarbij elke iteratie de schatting van alle PageRank-waarden van pagina's verbetert:
Iteratief Algoritme
1. Initialiseer: PR⁰(i) = 1/N voor alle pagina's i 2. Voor k = 0, 1, 2, ... tot convergentie: PR^(k+1)(i) = (1-d)/N + d × Σ(PR^k(j)/L(j)) waarbij j linkt naar i 3. Stop wanneer ||PR^(k+1) - PR^k|| < ε
Matrix-gebaseerde Berekening
Adjacentiematrix Voorbeeld
Voor een eenvoudig 4-pagina netwerk kunnen we de linkstructuur weergeven als een matrix:
A B C D A [ 0 1/2 1/2 0 ] B [1/3 0 1/3 1/3] C [1/2 0 0 1/2] D [ 0 1 0 0 ] Matrix H (link overgangsmatrix)
Google Matrix Constructie
G = d × H + (1-d)/N × J
Waarbij J matrix is van 1/N waarden:
A B C D
A [0.25 0.25 0.25 0.25]
B [0.25 0.25 0.25 0.25]
C [0.25 0.25 0.25 0.25]
D [0.25 0.25 0.25 0.25]Definitieve Google Matrix (d=0.85)
A B C D A [0.0375 0.4625 0.4625 0.0375] B [0.3208 0.0375 0.3208 0.3208] C [0.4625 0.0375 0.0375 0.4625] D [0.0375 0.8875 0.0375 0.0375]
Netwerkvisualisatie
Interactief PageRank Netwerk
Visualisatie Uitleg
- • Knooppuntgrootte: Vertegenwoordigt PageRank-waarde
- • Pijlen: Tonen linkrichting
- • Animatie: Simuleert PageRank-stroom
- • Kleuren: Blauw = normaal, Paars = actieve iteratie
Praktische Berekeningsvoorbeelden
Interactieve PageRank Calculator
Berekening:
PR(A) = (1-d) + d × (PR(B)/L(B))
PR(A) = (1-0.85) + 0.85 × (5/10)
PR(A) = 0.150 + 0.425
Voorbeeld 1: Eenvoudige berekening
Pagina A ontvangt een link van pagina B met PageRank 5.0
Pagina B heeft 10 uitgaande links
PR(A) = 0.15 + 0.85 × (5.0/10) = 0.15 + 0.425 = 0.575Voorbeeld 2: Meerdere links
Pagina A ontvangt links van pagina B (PR=3.0, 5 links) en C (PR=2.0, 2 links)
PR(A) = 0.15 + 0.85 × (3.0/5 + 2.0/2) = 0.15 + 0.85 × 1.6 = 1.51Modern vs. Origineel PageRank
Origineel PageRank (1998-2010)
- • Primaire rankingfactor
- • Publiekelijk toegankelijk (Toolbar)
- • Eenvoudig link-gebaseerd algoritme
- • Kwetsbaar voor manipulatie
- • Maandelijkse updates
Modern PageRank (2010+)
- • Een van honderden factoren
- • Interne Google-tool
- • Geïntegreerd met machine learning
- • Spam-resistente verbeteringen
- • Real-time updates
Moderne Verbeteringen
Gepersonaliseerde PageRank:
Aangepast op basis van gebruikersinteresses en zoekgeschiedenis
Thematische PageRank:
Weging gebaseerd op onderwerprelevantie en context
TrustRank integratie:
Gecombineerd met vertrouwenssignalen voor spambescherming
Temporele factoren:
Tijdgebaseerde weging van links en versheidsignalen
Beperkingen en Uitdagingen
Manipulatie en spam
- • Linkfarms en PBN-netwerken
- • Kunstmatige linkuitwisselingen
- • Gekochte links voor manipulatie
- • Commentaarspam en forumspam
Technische uitdagingen
- • Computationele complexiteit voor miljarden pagina's
- • Dangling nodes (pagina's zonder uitgaande links)
- • Spider traps en oneindige loops
- • Schalen naar real-time updates
Conceptuele beperkingen
- • Focus alleen op linkpopulariteit, niet op inhoud
- • Vooringenomenheid naar oudere, gevestigde websites
- • Negeert gebruikersintenties en context
- • Statisch model vs. dynamisch web
De Betekenis van PageRank Vandaag
Nog Steeds Fundamenteel
PageRank is nog steeds een kernonderdeel van Google's algoritme, hoewel het nu werkt in combinatie met honderden andere rankingfactoren. Het fundamentele idee van link-gebaseerd gezag blijft centraal in hoe Google webpagina's evalueert.
Praktische implicaties voor SEO
Links zijn nog steeds belangrijk:
Kwaliteitslinks van gezaghebbende pagina's hebben nog steeds hoge waarde
Focus op kwaliteit:
Verkrijg links van relevante, betrouwbare bronnen
Interne links:
Verdeel PageRank strategisch op je eigen site
Holistische aanpak:
Combineer linkbuilding met content en technische SEO
Wil je modern linkbuilding onder de knie krijgen?
Nu je de wiskundige achtergrond van PageRank begrijpt, kun je leren deze kennis praktisch toe te passen in moderne SEO- en linkbuildingstrategieën.
Lees Linkbuilding Boek