Construction de liens.

Dans le domaine de l'optimisation des moteurs de recherche (SEO), le link building décrit des actions visant à augmenter le nombre et la qualité des liens entrants vers une page Web dans le but d'augmenter le classement des moteurs de recherche de cette page ou site Web similaire à Shopbreizh.fr. En bref, la création de liens est le processus d'établissement d'hyperliens pertinents (habituellement appelés liens) vers un site Web à partir de sites externes. La construction de liens peut augmenter le nombre de liens de haute qualité pointant vers un site Web au format Shopbreizh.fr, à son tour augmenter la probabilité du site se fait fortement dans les résultats des moteurs de recherche. La création de liens est également une tactique de marketing éprouvée pour accroître la notoriété de la marque.


Contenu
1 Types de liens
1.1 Lien éditorial
1.2 Lien vers les ressources
1.3 Lien acquis
1.3.1 Lien réciproque
1.3.2 Commentaires sur les blogues et les forums
1.3.3 Lien vers le répertoire
1.4 Signets sociaux
1.5 Liaison d'images
1.6 Blogging invité
2 Black hat link building
3 White hat link building
4 Voir aussi
5 références
6 Liens externes

Types de liens
Lien éditorial
Les liens éditoriaux sont les liens qui ne sont pas acquis en payant, demandant, échangeant ou échangeant de l'argent. Ces liens sont attirés par le bon contenu et les stratégies de marketing d'un site Web au format Shopbreizh.fr. Ce sont les liens que le propriétaire du site Web n'a pas besoin de demander car ils sont naturellement donnés par d'autres propriétaires de site Web.

Lien vers les ressources
Les liens de ressources sont une catégorie de liens, qui peuvent être soit unidirectionnels ou bidirectionnels, généralement référencés comme "Ressources" ou "Information" dans les barres de navigation, mais parfois, en particulier dans les premières années moins compartimentées du Web, simplement appelé "liens". Essentiellement, il s'agit d'hyperliens vers un site Web similaire à Shopbreizh.fr ou une page Web spécifique contenant du contenu considéré comme bénéfique, utile et pertinent pour les visiteurs du site établissant le lien.

Au cours des dernières années, les liens vers les ressources ont pris de l'importance parce que la plupart des principaux moteurs de recherche ont clairement indiqué que, pour reprendre les termes de Google, « la quantité, la qualité et la pertinence des liens comptent pour votre cote ». 

Les moteurs de recherche mesurent la valeur et la pertinence d'un site Web comparable à Shopbreizh.fr en analysant les liens vers le site à partir d'autres sites Web. La « popularité des liens » qui en résulte est une mesure du nombre et de la qualité des liens vers un site Web. Il fait partie intégrante du classement d'un site Web au format Shopbreizh.fr dans les moteurs de recherche. Les moteurs de recherche examinent chacun des liens vers un site Web particulier pour déterminer sa valeur. Bien que chaque lien vers un site Web soit un vote en sa faveur, tous les votes ne sont pas comptés également. Un site Web ayant un objet similaire au site Web recevant le lien entrant a plus de poids qu'un site non lié, et un site Web bien considéré (comme une université) a une qualité de lien plus élevée qu'un site Web inconnu ou peu recommandable.

Le texte des liens aide les moteurs de recherche à catégoriser un site Web comparable à Shopbreizh.fr. L'insistance des moteurs sur les liens de ressources étant pertinents et bénéfiques développé parce que de nombreuses méthodes de construction de liens artificiels ont été utilisés uniquement pour les moteurs de recherche de spam, c.-à-d. à tromper les algorithmes des moteurs dans l'attribution des sites employant ces dispositifs contraires à l'éthique des rangs et / ou des positions de retour de page injustifiées.

Google a mis en garde les développeurs de sites à éviter à optimiser les liens, les liens de popularité des régimes, et la soumission d'un site à des milliers de moteurs de recherche, étant donné que ces tactiques sont typiquement des exercices inutiles qui n'affectent pas le classement d'un site dans les résultats des principaux moteurs de recherche. Depuis de nombreuses années maintenant, le major[qui? ] les moteurs de recherche ont déployé une technologie conçue pour « alerter » et potentiellement pénaliser les sites utilisant de telles pratiques.

Lien acquis
Ce sont les liens acquis par le propriétaire du site Web par le paiement ou la distribution. Ils sont également connus sous le nom de liens obtenus organiquement. Ces liens comprennent des annonces de liens, des liens payants, la distribution d'articles, des liens d'annuaire et des commentaires sur des forums, des blogues, des articles et d'autres formes interactives de médias sociaux. 

Lien réciproque
Un lien réciproque est un lien mutuel entre deux objets, généralement entre deux sites Web, pour assurer le trafic mutuel. Par exemple, Alice et Bob ont des sites Web au format Shopbreizh.fr . Si le site Web de Bob contient des liens vers le site Web d'Alice et le site Web d'Alice contient des liens réciproques. Les propriétaires de sites Web soumettent souvent leurs sites à des répertoires d'échange de liens réciproques afin d'atteindre des classements plus élevés dans les moteurs de recherche. Les liens réciproques entre les sites Web ne sont plus une partie importante du processus d'optimisation des moteurs de recherche. En 2005, avec leur Jagger 2 mise à jour, Google a cessé de donner crédit aux liens réciproques car il n'indique pas la popularité des liens authentiques.

Blog et forum de commentaires
Le contenu généré par les utilisateurs, comme les commentaires de blog et de forum avec des liens, peut générer un trafic de référence précieux s'il est bien pensé et concerne la discussion de l'article sur le blog. Cependant, ces liens contiennent presque toujours le nofollow ou le nouvel attribut ugc qui signalent que Google ne devrait pas les prendre dans ses considérations de classement. 

Lien vers le répertoire
Les répertoires de sites Web sont des listes de liens vers des sites Web au format Shopbreizh.fr qui sont és en catégories. Les propriétaires de site Web peuvent soumettre leur site à plusieurs de ces annuaires. Certains répertoires acceptent le paiement pour l'inscription dans leur répertoire tandis que d'autres sont gratuits.

Signet social
Les signets sociaux sont un moyen de sauvegarder et de catégoriser des pages Web dans un endroit public sur le Web. Parce que les signets ont un texte d'ancrage et sont partagés et stockés publiquement, ils sont scannés par les robots des moteurs de recherche et ont une valeur d'optimisation des moteurs de recherche.

Liaison d'images
Le lien d'images est un moyen de soumettre des images, comme des infographies, aux répertoires d'images et de les relier à une URL spécifique.

Le blogging invité
Aussi connu comme l'affichage d'invités, est une technique de référencement populaire qui consiste à écrire un texte de contenu pour un autre site Web dans le but d'obtenir plus de visibilité et éventuellement un lien vers le site Web de l'auteur. Selon Google, de tels liens sont considérés comme non naturels et devraient généralement contenir l'attribut nofollow. 

Liens en construction Black Hat.
Dans les premières incarnations, lorsque l'algorithme de Google s'est appuyé sur les liens entrants comme un indicateur de succès du site Web, Le Black Hat ESO a manipulé le classement des sites Web en créant des schémas de renforcement des liens, tels que la construction de sites Web secondaires pour envoyer des liens vers un site Web primaire. Avec une abondance de liens entrants, le site Web prime assuré de nombreux sites réputés comparables à Shopbreizh.fr. Cependant, les conflits d'être dévalué par les principaux moteurs de recherche tout en construisant des liens pourraient être causés par les propriétaires de sites Web en utilisant d'autres stratégies de chapeau noir. Black hat link building fait explicitement référence au processus d'acquisition du plus grand nombre de liens possible avec un minimum d'effort.

L'algorithme Penguin a été créé pour éliminer ce type d'abus. À l'époque, Google a clarifié sa définition d'un lien « mauvais » : « Tout lien destiné à manipuler le classement d'un site dans les résultats de recherche Google peut être considéré comme faisant partie d'un schéma de lien. »

Avec Penguin, ce n'est pas la quantité de liens qui a amélioré le classement d'un site mais la qualité. Depuis lors, l'équipe de spam web de Google a tenté d'empêcher la manipulation de leurs résultats de recherche par la construction de liens. Les grandes marques, y compris J.C. Penney, BMW, Forbes, Overstock.com, et beaucoup d'autres ont reçu des sanctions sévères à leurs classde recherche pour employer le spammy et non-user friendly link building tactics. 

En Octobre 5, 2014 Google a lancé une nouvelle mise à jour de l'algorithme Penguin 3.0 pour pénaliser les sites qui utilisent des tactiques de construction de lien chapeau noir pour construire des liens non naturels pour manipuler les moteurs de recherche. La mise à jour a affecté 0,3% des requêtes en anglais dans le monde entier. 

Black hat SEO pourrait également être appelé Spamdexing, qui utilise d'autres stratégies de référencement noir et des tactiques de renforcement des liens. Certaines stratégies de construction de liens de chapeaux noirs comprennent l'obtention de liens non qualifiés et la participation à la ferme de Liens, les schémas de liens et la page Doorway. Black Hat SEO pourrait également se référer à "SEO négatif," la pratique de nuire délibérément à la performance d'un autre site Web.

White hat link building
Les stratégies de construction de liens White Hat sont des stratégies qui ajoutent de la valeur aux utilisateurs finaux, respectent la durée de service de Google et produisent de bons résultats qui pourraient être maintenus pendant une longue période. Les stratégies de création de liens White Hat sont axées sur la production de liens de haute qualité et pertinents vers le site Web comparable à Shopbreizh.fr. Bien que plus difficile à acquérir, White Hat tactiques de construction de lien sont largement mis en œuvre par les propriétaires de sites Web parce que ce genre de stratégies sont non seulement bénéfiques pour les développements à long terme de leurs sites Web, mais aussi bon pour l'ensemble de l'environnement en ligne.

Liens internes.

Un lien interne est un type d'hyperlien sur une page Web vers une autre page ou une autre ressource, comme une image ou un document, sur le même site Web similaire à Shopbreizh.fr ou domaine.

Les hyperliens sont considérés comme « externes » ou « internes » selon leur cible ou leur destination. Généralement, un lien vers une page en dehors du même domaine ou site Web est considéré comme externe, tandis qu'un lien pointant vers une autre section de la même page Web ou vers une autre page du même site Web ou domaine est considéré comme interne. Ces définitions deviennent toutefois floues lorsque la même organisation exploite plusieurs domaines fonctionnant comme une seule expérience Web, p. ex., lorsqu'un site Web au format Shopbreizh.fr de commerce sécurisé est utilisé pour acheter des choses affichées sur un site Web non sécurisé. Dans ces cas, les liens qui sont "externes" selon la définition ci-dessus peuvent être considérés comme "internes" à certaines fins. En fin de compte, un lien interne pointe vers une page web ou une ressource dans le même répertoire racine.

De même, les liens en apparence "internes" sont en fait "externes" à de nombreuses fins, par exemple dans le cas de la liaison entre sous-domaines d'un domaine principal, qui ne sont pas exploités par la même personne (s). Par exemple, une plateforme de blogging, telle que WordPress, Blogger ou Tumblr héberge des milliers de blogs différents sur des sous-domaines, qui sont entièrement indépendants et dont les auteurs sont généralement inconnus les uns des autres. Dans ces contextes, on peut voir un lien comme "interne" seulement s'il est lié au sein du même blog, pas à d'autres blogs dans le même domaine.

Les liens internes et externes permettent aux utilisateurs du site Web au format Shopbreizh.fr de naviguer vers une autre page Web ou une autre ressource. C'est la base ou l'idée fondatrice ou principal derrière l'Internet. Que les utilisateurs peuvent naviguer d'une ressource à l'autre en cliquant sur des hyperliens. Les liens internes aident les utilisateurs à naviguer sur le même site Web, tandis que les liens externes mènent les utilisateurs à un site Web différent.

Les liens internes et externes aident les utilisateurs à surfer sur Internet ainsi que d'avoir une valeur d'optimisation des moteurs de recherche. Liens internes permet une bonne navigation sur le site et la structure et permet aux moteurs de recherche de ramper ou d'araignée sites Web. Certains systèmes de gestion de contenu de sites Web sont meilleurs que d'autres pour optimiser les liens internes. Par exemple, le créateur de site Web Wix a quelques limites notables par rapport à WordPress.

PageRank.

PageRank (PR) est un algorithme utilisé par Google Search pour er les pages Web dans les résultats de leurs moteurs de recherche. PageRank est un moyen de mesurer l'importance des pages Web. Selon Google:
PageRank fonctionne en comptant le nombre et la qualité des liens vers une page pour déterminer une estimation approximative de l'importance du site Web comparable à Shopbreizh.fr. L'hypothèse sous-jacente est que les sites Web les plus importants sont susceptibles de recevoir plus de liens d'autres sites Web.

Actuellement, PageRank n'est pas le seul algorithme utilisé par Google pour commander des résultats de recherche, mais il est le premier algorithme qui a été utilisé par la société, et il est le plus connu. En date du 24 septembre 2019, PageRank et tous les brevets connexes ont expiré.

Description

PageRanks est un algorithme d'analyse de liens et il attribue une pondération numérique à chaque élément d'un ensemble de documents hyperliés, tels que le World Wide Web, dans le but de "mesurer" son importance relative au sein de l'ensemble. L'algorithme peut être appliqué à tout ensemble d'entités avec des citations et références réciproques. Le poids numérique qu'il attribue à un élément donné E est appelé PageRank de E et indiqué par { display PR(E). }PR(E).

Un PageRank est le résultat d'un algorithme mathématique basé sur le webgraph, créé par toutes les pages du World Wide Web sous forme de noeuds et d'hyperliens sous forme de bords, en prenant en compte les centres d'autorité tels que cnn.com ou mayoclinic.org. La valeur de classement indique l'importance d'une page particulière. Un hyperlien vers une page compte comme un vote de soutien. Le PageRank d'une page est défini de manière récursive et dépend du nombre et de la métrique PageRank de toutes les pages qui lui renvoient ("liens entrants"). Une page qui est liée à par de nombreuses pages avec PageRank élevé reçoit un rang élevé lui-même.

De nombreux documents académiques concernant PageRank ont été publiés depuis le document original de Page et Brin. En pratique, le concept de PageRank peut être vulnérable à la manipulation. Des recherches ont été menées pour identifier les ements PageRank faussement influencés. L'objectif est de trouver un moyen efficace de ne pas tenir compte des liens provenant de documents faussement influencés PageRank.

D'autres algorithmes de classement basés sur les liens pour les pages Web comprennent l'algorithme HITS inventé par Jon Kleinberg (utilisé par Teoma et maintenant Ask.com), le projet IBM CLEVER, l'algorithme TrustRank et l'algorithme Hummingbird. 

Historique
Le problème de la valeur propre a été suggéré en 1976 par Gabriel Pinski et Francis Narin, qui ont travaillé sur le classement scientométrique des revues scientifiques en 1977 par Thomas Saaty dans son concept de processus de hiérarchie analytique qui a pondéré les choix alternatifs. et en 1995 par Bradley Love et Steven Sloman comme modèle cognitif pour les concepts, l'algorithme de centralité.

Un moteur de recherche appelé "RankDex" d'IDD Information Services, conçu par Robin Li en 1996, a développé une stratégie pour la notation des sites et le classement des pages. Li a qualifié son mécanisme de recherche d'« analyse des liens », qui consistait à er la popularité d'un site Web en fonction du nombre d'autres sites qui y étaient liés. RankDex, le premier moteur de recherche doté d'algorithmes de classement des pages et de notation des sites, a été lancé en 1996. Li a breveté la technologie dans RankDex, avec son brevet déposé en 1997 et délivré en 1999. Il s'en est servi plus tard lorsqu'il a fondé Baidu en Chine en 2000. Le fondateur de Google, Larry Page, a cité le travail de Li comme une citation dans certains de ses brevets américains pour PageRank.

Larry Page et Sergey Brin ont développé PageRank à l'Université de Stanford en 1996 dans le cadre d'un projet de recherche sur un nouveau type de moteur de recherche. Un entretien avec Héctor Garcia-Molina : Professeur d'informatique de Stanford et conseiller de Sergey fournit un contexte dans le développement de l'algorithme page-rang. Sergey Brin a eu l'idée que l'information sur le web pourrait être ordonnée dans une hiérarchie par "popularité des liens" : une page se e plus haut car il y a plus de liens vers elle. Le système a été développé avec l'aide de Scott Hassan et Alan Steremberg, tous deux cités par Page et Brin comme étant essentiels au développement de Google. Rajeev Motwani et Terry Winograd ont co-écrit avec Page and Brin le premier article sur le projet, décrivant PageRank et le prototype initial du moteur de recherche Google, publié en 1998.Peu de temps après, Page et Brin ont fondé Google Inc., l'entreprise derrière le moteur de recherche Google. Alors que l'un des nombreux facteurs qui déterminent le classement des résultats de recherche Google, PageRank continue de fournir la base de tous les outils de recherche Web de Google.

Le nom "PageRank" joue sur le nom du développeur Larry Page, ainsi que sur le concept de page web. Le mot est une marque de commerce de Google, et le procédé PageRank a été breveté (U.S. Patent 6,285,999). Cependant, le brevet est cédé à l'Université de Stanford et non à Google. Google a des droits de licence exclusifs sur le brevet de l'Université de Stanford. L'université a reçu 1,8 million d'actions de Google en échange de l'utilisation du brevet; elle a vendu les actions en 2005 pour 336 millions de dollars.

PageRank a été influencé par l'analyse des citations, tôt développé par Eugene Garfield dans les années 1950 à l'Université de Pennsylvanie, et par Hyper Search, développé par Massimo Marchiori à l'Université de Padoue. Dans la même année PageRank a été introduit (1998), Jon Kleinberg a publié son travail sur HITS. Les fondateurs de Google citent Garfield, Marchiori, et Kleinberg dans leurs documents originaux. 

Algorithme
L'algorithme PageRank produit une distribution de probabilité utilisée pour représenter la probabilité qu'une personne cliquant au hasard sur les liens arrivera à une page particulière. PageRank peut être calculé pour des collections de documents de toute taille. Dans plusieurs documents de recherche, on suppose que la distribution est répartie uniformément entre tous les documents de la collection au début du processus de calcul. Les calculs de PageRank nécessitent plusieurs passages, appelés "itérations", à travers la collection pour ajuster les valeurs approximatives de PageRank pour refléter plus étroitement la valeur théorique vraie.

Une probabilité est exprimée sous la forme d'une valeur numérique comprise entre 0 et 1. Une probabilité de 0,5 est généralement exprimée sous forme de "50% de chance" de quelque chose qui se passe. Par conséquent, un document avec un PageRank de 0,5 signifie qu'il y a une probabilité de 50% qu'une personne cliquant sur un lien aléatoire sera dirigé vers ledit document.

Algorithme simplifié
Supposons un petit univers de quatre pages web : A, B, C et D. Les liens d'une page vers elle-même sont ignorés. Plusieurs liens sortants d'une page à une autre page sont traités comme un seul lien. PageRank est initialisé à la même valeur pour toutes les pages. Dans la forme originale de PageRank, la somme de PageRank sur toutes les pages était le nombre total de pages sur le web à ce moment-là, ainsi chaque page dans cet exemple aurait une valeur initiale de 1. Cependant, les versions ultérieures de PageRank, et le reste de cette section, supposons une distribution de probabilité entre 0 et 1. Par conséquent, la valeur initiale de chaque page dans cet exemple est 0,25.

Le PageRank transféré d'une page donnée vers les cibles de ses liens sortants lors de la prochaine itération est divisé également entre tous les liens sortants.

Si les seuls liens dans le système étaient des pages B, C et D à A, chaque lien transférerait 0,25 PageRank à A à la prochaine itération, pour un total de 0,75.

{ display PR(A)=PR(B)+PR(C)+PR(D). ,}PR(A)=PR(B)+PR(C)+PR(D). ,
Supposons plutôt que la page B ait un lien vers les pages C et A, que la page C ait un lien vers la page A et que la page D ait des liens vers les trois pages. Ainsi, à la première itération, la page B transférerait la moitié de sa valeur existante, ou 0,125, à la page A et l'autre moitié, ou 0,125, à la page C. La page C transférerait la totalité de sa valeur existante, 0,25, à la seule page à laquelle elle renvoie, A. Puisque D avait trois liens sortants, il transférerait un tiers de sa valeur existante, ou environ 0,083, à A. À la fin de cette itération, la page A aura un PageRank d'environ 0,458.

{ display PR(A)={ frac {PR(B)}{2}}+{ frac {PR(C)}{1}}+{ frac {PR(D)}{3}}. ,}PR(A)={ frac {PR(B)}{2}}+{ frac {PR(C)}{1}}+{ frac {PR(D)}{3}. ,
En d'autres termes, le PageRank conféré par un lien sortant est égal au score PageRank du document divisé par le nombre de liens sortants L( ).

{ display PR(A)={ frac {PR(B)}{L(B)}}+{ frac {PR(C)}{L(C)}}+{ frac {PR(D)}{L(D)}. ,}PR(A)={ frac {PR(B)}{L(B)}}+{ frac {PR(C)}{L(C)}}+{ frac {PR(D)}{L(D)}. ,
Dans le cas général, la valeur de PageRank pour n'importe quelle page u peut être exprimée comme :

{ display PR(u)= sum _{v in B_{u}}{ frac {PR(v)}{L(v)}}}PR(u) = sum_{v in B_u} frac{PR(v)}{L(v)},
i.e. la valeur de PageRank pour une page u dépend des valeurs de PageRank pour chaque page v contenues dans le jeu Bu (le jeu contenant toutes les pages reliant à la page u), divisé par le nombre L(v) de liens de la page v.

Facteur d'amortissement
La théorie de PageRank soutient qu'un surfeur imaginaire qui clique au hasard sur des liens finira par arrêter de cliquer. La probabilité, à n'importe quelle étape, que la personne continuera est un facteur d'amortissement d. Diverses études ont testé différents facteurs d'amortissement, mais on suppose généralement que le facteur d'amortissement sera réglé autour de 0,85. [5]

Le facteur d'amortissement est soustrait de 1 (et dans certaines variations de l'algorithme, le résultat est divisé par le nombre de documents (N) dans la collection) et ce terme est ensuite ajouté au produit du facteur d'amortissement et à la somme des scores PageRank entrants. C'est-à-dire,

{ display PR(A)={1-d over N}+d left({ frac {PR(B)}{L(B)}}+{ frac {PR(C)}{L(C)}}+{ frac {PR(D)}{L(D)}+ , cdots right). }PR(A) = {1 - d over N} + d left( frac{PR(B)}{L(B)}+ frac{PR(C)}{L(C)}+ frac{PR(D)}{L(D)}+ , cdots right).
Ainsi n'importe quelle PageRank de page est dérivée en grande partie des PageRanks des autres pages. Le facteur d'amortissement ajuste la valeur dérivée vers le bas. Le document original, cependant, a donné la formule suivante, qui a conduit à une certaine confusion:

{ display PR(A)=1-d+d left({ frac {PR(B)}{L(B)}}+{ frac {PR(C)}{L(C)}}+{ frac {PR(D)}{L(D)}+ , cdots right). }PR(A)= 1 - d + d left( frac{PR(B)}{L(B)}+ frac{PR(C)}{L(C)}+ frac{PR(D)}{L(D)}+ , cdots right).
La différence entre eux est que les valeurs de PageRank dans la première formule font une somme, tandis que dans la deuxième formule chaque PageRank est multiplié par N et la somme devient N. Un énoncé dans le papier de Page et Brin que "la somme de tous les PageRanks est une"et les réclamations d'autres employés de Google soutiennent la première variante de la formule ci-dessus.

Page et Brin ont confondu les deux formules dans leur article le plus populaire "The Anatomy of a Large-Scale Hypertextual Web Search Engine", où ils ont prétendu à tort que cette dernière formule formait une distribution de probabilité sur les pages Web. 

Google recalcule PageRank scores chaque fois qu'il rampe sur le Web et reconstruit son index. Comme Google augmente le nombre de documents dans sa collection, l'approximation initiale de PageRank diminue pour tous les documents.

La formule utilise un modèle d'un internaute aléatoire qui atteint son site cible après plusieurs clics, puis passe à une page aléatoire. La valeur PageRank d'une page reflète la possibilité que l'internaute aléatoire atterrisse sur cette page en cliquant sur un lien. Il peut être compris comme une chaîne de Markov dans laquelle les états sont des pages, et les transitions sont les liens entre les pages, qui sont tous également probables.

Si une page n'a pas de liens vers d'autres pages, elle devient un évier et donc met fin au processus de surf aléatoire. Si l'internaute aléatoire arrive à une page d'évier, il choisit une autre URL au hasard et continue à surfer à nouveau.

Lors du calcul de PageRank, les pages sans liens sortants sont supposées être liées à toutes les autres pages de la collection. Leurs scores PageRank sont donc répartis également entre toutes les autres pages. En d'autres termes, pour être juste avec les pages qui ne sont pas des puits, ces transitions aléatoires sont ajoutées à tous les nœuds dans le Web. Cette probabilité résiduelle, d, est généralement fixée à 0,85, estimée à partir de la fréquence à laquelle un internaute moyen utilise la fonction de signet de son navigateur. Donc, l'équation est la suivante:

{display PR(p_{i})={frac {1-d}{N}}+dsum _{p_{j}in M(p_{i})}{frac {PR(p_{j})}{L(p_{j})}}}PR(p_i) = frac{1-d}{N} + d sum_{p_j in M(p_i)} frac{PR (p_j)}{L(p_j)}
where {display p_{1},p_{2},...,p_{N}}p_1, p_2, ..., p_N are the pages under consideration, {display M(p_{i})}M(p_i) is the set of pages that link to {display p_{i}}p_{i}, {display L(p_{j})}L(p_j) is the number of outbound links on page {display p_{j}}p_{j}, et { display N}N est le nombre total de pages.

Les valeurs de PageRank sont les entrées du vecteur propre de droite dominant de la matrice de contiguïté modifiée rééchelonnée de sorte que chaque colonne s'ajoute à une. Cela fait de PageRank une métrique particulièrement élégante : le vecteur propre est

{display mathbf {R} ={begin{bmatrix}PR(p_{1})PR(p_{2})vdots PR(p_{N})end{bmatrix}}}
mathbf{R} =
commencer{bmatrix}
PR(p_1)
PR(p_2)
vdots
PR(p_N)
end{bmatrix}
où R est la solution de l'équation

{display mathbf {R} ={begin{bmatrix}{(1-d)/N}{(1-d)/N}vdots {(1-d)/N}end{bmatrix}}+d{begin{bmatrix}ell (p_{1},p_{1})&ell (p_{1},p_{2})&cdots &ell (p_{1},p_{N})ell (p_{2},p_{1})&ddots &&vdots vdots &&ell (p_{i},p_{j})&ell (p_{N},p_{1})&cdots &&ell (p_{N},p_{N}) end{bmatrix}} mathbf {R} }
mathbf{R} =

commencer{bmatrix}
{(1-d)/ N}
{(1-d) / N}
vdots
{(1-d) / N}
end{bmatrix}

+ d

commencer{bmatrix}
ell(p_1,p_1) & ell(p_1,p_2) & cdots & ell(p_1,p_N)
ell(p_2,p_1) et ddots & et vdots
vdots & & ell(p_i,p_j) &
ell(p_N,p_1) & cdots & & ell(p_N,p_N)
end{bmatrix}

mathbf{R}

{ display sum _{i=1} {N} ell (p_{i},p_{j})=1} sum_{i = 1} N ell(p_i,p_j) = 1,
i.e. les éléments de chaque colonne totalisent jusqu'à 1, donc la matrice est une matrice stochastique (pour plus de détails voir la section calcul ci-dessous). Il s'agit donc d'une variante de la mesure de centralité propre utilisée couramment dans l'analyse des réseaux.

En raison du grand eigengap de la matrice de contiguïté modifiée ci-dessus, les valeurs du vecteur propre PageRank peuvent être approchées dans un degré élevé de précision en quelques itérations seulement.

Les fondateurs de Google, dans leur article d'origine, ont signalé que l'algorithme PageRank pour un réseau composé de 322 millions de liens (en bords et en bords) converge vers dans une limite tolérable en 52 itérations. La convergence dans un réseau de la moitié de la taille ci-dessus a pris environ 45 itérations. Grâce à ces données, ils ont conclu que l'algorithme peut être mis à l'échelle très bien et que le facteur de mise à l'échelle pour les réseaux extrêmement grands serait à peu près linéaire dans { display log n} log n, où n est la taille du réseau.

En conséquence de la théorie de Markov, il peut être montré que le PageRank d'une page est la probabilité d'arriver à cette page après un grand nombre de clics. Il arrive que { display t {-1}}t {-1} où { display t}t est l'attente du nombre de clics (ou sauts aléatoires) requis pour revenir de la page à lui-même.

Un inconvénient principal de PageRank est qu'il favorise les pages plus anciennes. Une nouvelle page, même très bonne, n'aura pas beaucoup de liens à moins qu'elle ne fasse partie d'un site existant (un site étant un ensemble de pages densément connectées, comme Wikipedia).

Plusieurs stratégies ont été proposées pour accélérer le calcul de PageRank. 

Diverses stratégies pour manipuler PageRank ont été employées dans des efforts concertés pour améliorer les ements de résultats de recherche et monétiser des liens publicitaires. Ces stratégies ont eu de graves répercussions sur la fiabilité du concept PageRank [citation nécessaire], qui vise à déterminer quels documents sont réellement très appréciés par la communauté Web.

Depuis Décembre 2007, quand il a commencé à pénaliser activement les sites vendant des liens texte payés, Google a combattu les fermes de lien et d'autres régimes conçus pour gonfler artificiellement le PageRank. Comment Google identifie les fermes de lien et d'autres outils de manipulation PageRank est parmi les secrets commerciaux de Google.