Hva er PageRank?
PageRank er navnet på algoritmen for lenkeanalyse som ble oppfunnet av Sergey Brin og Larry (Lawrence) Page ved Stanford University, og samtidig formelen som la grunnlaget for at Google ble etablert.
Mange tror feilaktig at PageRank ikke lenger er en del av Googles algoritmer. Det er viktig å forstå at PageRank er en av bærebjelkene hos Google og en helt sentral del av søkemotoren.
Enkelt sagt går formelen ut på å tildele tallverdier til hyperlenker for å måle hvor viktig en side er sammenlignet med andre. Med andre ord er PageRank en popularitetsalgoritme basert på siteringsanalyse.
Opphavet til navnet
Det var Larry selv som ga formelen navn, og derav navnet PageRank. Den heter ikke PageRank fordi verdien dekker et helt nettsted. PageRank akkumuleres på alle sidene på et nettsted som Google har tilgang til, ikke på domenenivå.
Vanlig misforståelse
PageRank beregnes på sidenivå, og det betyr at noe slikt som et PageRank-4-domene ikke finnes. Det ville hete et nettsted med en forside som har en PageRank på 4, og det er ikke domenet i seg selv.
Historien om PageRank
Oppfinnelsen
Larry Page og Sergey Brin utvikler BackRub, som senere ble Google, ved Stanford University
Første versjon av PageRank-algoritmen, basert på siteringsanalyse
Patentsøknaden
Stanford University søker patent på PageRank-algoritmen
Patentet US6285999B1 beskriver den matematiske algoritmen i detalj
Google grunnlegges
Google Inc. blir grunnlagt med PageRank som kjernealgoritme
PageRank blir den viktigste rangeringsfaktoren for søkeresultatene
PageRank i verktøylinjen
Google Toolbar viser offentlige PageRank-verdier på en skala fra 0 til 10
Nettredaktører kan se PageRank-scoren til sidene sine i Google Toolbar
Verktøylinjen legges ned
Google slutter å oppdatere de offentlige PageRank-verdiene
PageRank blir et internt Google-verktøy uten offentlig innsyn
Moderne implementering
PageRank integreres med hundrevis av andre rangeringssignaler
Fortsatt grunnleggende for Google, men kombinert med maskinlæring
Den opprinnelige PageRank-formelen
Grunnformelen for PageRank
PR(A) = PageRank for side A
d = dempingsfaktoren (som regel 0.85)
PR(Ti) = PageRank for side Ti, som lenker til A
C(Ti) = antall utgående lenker fra side Ti
Forenklet versjon
I sin opprinnelige form fordeler formelen vekten likt mellom lenkene som finnes på en side, uansett om det er interne eller eksterne lenker.
Verdi = PageRank + (PageRank fra kilder × 0.85) / antall lenkerPraktisk eksempel
Har du for eksempel 10 utgående lenker på en side, overfører hver lenke 10 % av PageRank-verdien du har mulighet til å gi videre.
Matematisk analyse
Matriserepresentasjon
PageRank kan beregnes med matrisealgebra, der nettet representeres som en overgangsmatrise M:
M = d × H + (1-d)/N × J Der: H = Lenkematrise (hij = 1/L(j) hvis j lenker til i, ellers 0) J = Matrise der alle elementer er 1 N = Antall sider d = Dempingsfaktor
Beregning av egenvektor
PageRank-vektoren er den dominerende egenvektoren til overgangsmatrisen M:
π = M × πDer π er PageRank-vektoren og M er overgangsmatrisen
Konvergenskriterium
Algoritmen konvergerer når forskjellen mellom iterasjonene er tilstrekkelig liten:
||π(k+1) - π(k)|| < εDer ε som regel er 10⁻⁶ for å oppnå høy presisjon
Dempingsfaktoren (0.85)
Hva er dempingsfaktoren?
Dempingsfaktoren (d = 0.85) uttrykker sannsynligheten for at en bruker fortsetter å klikke på lenker i stedet for å starte et nytt søk. Med andre ord er det 85 % sjanse for at brukeren følger en lenke, og 15 % sjanse for et hopp til en tilfeldig side.
Med dempingsfaktor (d = 0.85)
- ✓ Hindrer manipulasjon av rangeringene
- ✓ Håndterer blindveier (sider uten utgående lenker)
- ✓ Sikrer at algoritmen konvergerer
- ✓ Modellerer realistisk brukeratferd
Uten dempingsfaktor (d = 1.0)
- ✗ Rangeringssluk (sider som samler opp all PageRank)
- ✗ Algoritmen konvergerer ikke alltid
- ✗ Mer sårbar for manipulasjon
- ✗ Urealistisk brukermodell
Den matematiske betydningen av dempingsfaktoren
Den iterative beregningsprosessen
PageRank beregnes iterativt, og hver iterasjon forbedrer anslaget for PageRank-verdiene til alle sidene:
Den iterative algoritmen
1. Initialiser: PR⁰(i) = 1/N for alle sider i 2. For k = 0, 1, 2, ... til konvergens: PR^(k+1)(i) = (1-d)/N + d × Σ(PR^k(j)/L(j)) der j lenker til i 3. Stopp når ||PR^(k+1) - PR^k|| < ε
Matrisebasert beregning
Eksempel på nabomatrise
For et enkelt nettverk med fire sider kan vi representere lenkestrukturen som en matrise:
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 ] Matrise H (overgangsmatrise for lenker)
Slik bygges Google-matrisen
G = d × H + (1-d)/N × J
Der J er matrisen med verdien 1/N i hvert element:
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]Den ferdige Google-matrisen (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]
Visualisering av nettverket
Interaktivt PageRank-nettverk
Forklaring til visualiseringen
- • Størrelsen på noden: viser PageRank-verdien
- • Pilene: viser hvilken vei lenken går
- • Animasjonen: simulerer flyten av PageRank
- • Fargene: blått er normalt, lilla er aktiv iterasjon
Praktiske regneeksempler
Interaktiv PageRank-kalkulator
Beregning:
PR(A) = (1-d) + d × (PR(B)/L(B))
PR(A) = (1-0.85) + 0.85 × (5/10)
PR(A) = 0.150 + 0.425
Eksempel 1: enkel beregning
Side A får en lenke fra side B, som har PageRank 5.0
Side B har 10 utgående lenker
PR(A) = 0.15 + 0.85 × (5.0/10) = 0.15 + 0.425 = 0.575Eksempel 2: flere lenker
Side A får lenker fra side B (PR=3.0, 5 lenker) og side C (PR=2.0, 2 lenker)
PR(A) = 0.15 + 0.85 × (3.0/5 + 2.0/2) = 0.15 + 0.85 × 1.6 = 1.51Moderne mot opprinnelig PageRank
Opprinnelig PageRank (1998-2010)
- • Den viktigste rangeringsfaktoren
- • Offentlig tilgjengelig via verktøylinjen
- • Enkel algoritme basert på lenker
- • Sårbar for manipulasjon
- • Månedlige oppdateringer
Moderne PageRank (2010+)
- • En av flere hundre faktorer
- • Internt Google-verktøy
- • Integrert med maskinlæring
- • Forbedringer som motvirker spam
- • Oppdateringer i sanntid
Moderne forbedringer
Personalisert PageRank:
Justert etter brukerens interesser og søkehistorikk
Tematisk PageRank:
Vekting etter temarelevans og kontekst
Integrasjon med TrustRank:
Kombinert med tillitssignaler for å beskytte mot spam
Tidsfaktorer:
Vekting av lenker over tid og signaler om ferskhet
Begrensninger og utfordringer
Manipulasjon og spam
- • Lenkefarmer og PBN-nettverk
- • Kunstig lenkebytte
- • Kjøpte lenker brukt til manipulasjon
- • Kommentarspam og forumspam
Tekniske utfordringer
- • Beregningskompleksitet for milliarder av sider
- • Blindveier (sider uten utgående lenker)
- • Edderkoppfeller og uendelige løkker
- • Å skalere til oppdateringer i sanntid
Begrensninger ved selve ideen
- • Ser bare på lenkepopularitet, ikke på innholdet
- • Favoriserer eldre, etablerte nettsteder
- • Tar ikke hensyn til brukerens hensikt og kontekst
- • Statisk modell mot et dynamisk nett
Betydningen av PageRank i dag
Fortsatt grunnleggende
PageRank er fortsatt en kjernedel av Googles algoritme, selv om den nå virker sammen med hundrevis av andre rangeringsfaktorer. Grunntanken om autoritet basert på lenker er fremdeles sentral for hvordan Google vurderer nettsider.
Praktiske konsekvenser for SEO
Lenker betyr fortsatt mye:
Gode lenker fra sider med autoritet har fortsatt høy verdi
Prioriter kvalitet:
Få lenker fra relevante og troverdige kilder
Interne lenker:
Fordel PageRank strategisk på ditt eget nettsted
Helhetlig tilnærming:
Kombiner lenkebygging med innhold og teknisk SEO
Vil du mestre moderne lenkebygging?
Nå som du forstår den matematiske bakgrunnen for PageRank, kan du lære å bruke kunnskapen i praksis i moderne SEO og lenkebygging.
Les boken om lenkebygging