Themen-basierter PageRank
Die themen- bzw. themengebietsbezogene
Homogenität
von Webseiten wird schon seit geraumer Zeit als mögliches
Ranking-Kriterium von Suchmaschinen diskutiert. Für die
Integration von Themen in Suchmaschinenalgorithmen gibt es die
verschiedensten Denkansätze. Ihnen gemein ist, dass Webseiten
nicht mehr allein aufgrund Ihrer eigenen Inhalte bewertet werden,
sondern dass auch die Inhalte anderer Webseiten hierzu
berücksichtigt werden. So könnten also beispielsweise
die Inhalte aller Seiten einer Website Einfluss auf die Bewertung einer
einzelnen Seite dieser Website nehmen. Andererseits ist es auch
denkbar, dass eine Seite an den Inhalten derjenigen Seiten gemessen
wird, auf die sie verlinkt oder aber von denen sie selbst verlinkt wird.
Sehr kontrovers diskutiert
wird der mögliche Einsatz
eines themenbasierten Rankings für die Suchmaschine Google.
Immer wieder finden sich in einschlägigen Foren und auf
Websites zum Thema Suchmaschinenoptimierung Ratschläge, dass
eingehende Links von Seiten mit thematischer Ähnlichkeit einen
größeren Einfluss auf den PageRank haben als Links
von anderen Seiten. Diese Annahme soll hier kritisch beleuchtet werden.
Zunächst werden hierzu zwei relativ neue Ansätze zur
Integration von Themen in das PageRank-Verfahren diskutiert: auf der
einen Seite das Modell des "intelligenten Surfers" von Matthew
Richardson und Pedro Domingos und auf der anderen Seite der
Topic-Sensitive PageRank von Taher Haveliwala. Anschließend
sollen Möglichkeiten aufgezeigt werden, inwieweit
Inhaltsanalysen und -vergleiche dazu eingesetzt werden können,
thematische Ähnlichkeiten zwischen Seiten zu berechnen, um auf
dieser Basis dann eine Gewichtung von Links im Rahmen des
PageRank-Verfahrens vorzunehmen.
Der "intelligente Surfer" von
Richardson und
Domingos
Matthew Richardson und
Pedro Domingos ziehen zur
Erläuterung ihres Ansatzes zur Implementierung von
Themengebieten in das PageRank-Verfahren zunächst das Random
Surfer Modell heran. Sie schlagen anstelle eines Surfers, der wahllos
Links verfolgt, einen intelligenteren Surfer vor, der einerseits Links
nur entsprechend seiner Suchanfrage verfolgt und andererseits auch nach
dem Abbruch des Surf-Vorgangs nur Seiten aufruft, die seiner
Suchanfrage entsprechen.
Im Rahmen des Ansatzes
von Richardson und Domingos sind
für den "intelligenten Surfer" also nur Seiten relevant, die
den von ihm gesuchten Begriff auch tatsächlichen enthalten.
Das Random Surfer Modell ist jedoch nichts als ein Abbild des
PageRank-Verfahrens. Zur Umsetzung muss also für jeden im Web
existierenden Begriff eine eigene PageRank-Berechnung stattfinden.
Diese Berechnung stützt sich dabei ausschließlich
auf Links zwischen Seiten, die den jeweiligen Begriff enthalten.
Das Modell von Richardson
und Domingos wirft einige Probleme auf. Vor allem entstehen diese im Bereich
von Suchbegriffen, die nicht
sehr häufig im Web vorkommen. Da diese wenigen Seiten sich
auch noch verlinken müssen, um in die PageRank-Berechnung
eingehen zu können, basieren die Resultate auf nur sehr
kleinen Subbereichen des Webs und lassen gegebenenfalls sehr relevante
Seiten außen vor. Ferner ist natürlich ein kleiner
Subbereich des Webs wesentlich anfälliger für Spam im
Sinne der Generierung zahlreicher Webseiten.
Zudem ergeben sich gravierende
Probleme bezüglich der
Skalierbarkeit. Richardson und Domingos schätzen sowohl den
Speicher- als auch den Rechenbedarf für mehrere 100.000
Begriffe und entsprechende PageRank-Berechnungen auf das 100-200-fache
des ursprünglichen PageRank-Verfahrens. Diese Zahlen klingen
angesichts der großen Zahl relativ kleiner Subbereiche des
Webs realistisch.
Der erhöhte Speicherbedarf sollte kein
grundsätzliches Problem darstellen, da Richardson und Domingos
hierzu richtig anführen, dass die begriffsspezifischen
PageRank-Werte nur einen Bruchteil des Datenvolumens des inversen Index
Google's ausmachen dürften. Wirklich problematisch ist der
Zeitbedarf für die Berechnung. Kalkulieren wir nur mit
fünf Stunden für eine herkömmliche
PageRank-Berechnung, so würde diese im Falle des Modells von
Richardson und Domingos etwa drei Wochen in Anspruch nehmen. Dies
stünde für den tatsächlichen Einsatz nicht
zur Diskussion.
Taher Haveliwala's Topic-Sensitive PageRank
Der Ansatz von Taher Havilewala
scheint für den
tatsächlichen Einsatz vielversprechender. Auch Havilewala regt
die Berechnung unterschiedlicher PageRanks für
unterschiedliche Themenbereiche an. Hierbei sollen jedoch nicht
hunderttausende PageRanks für verschiedene Subbereiche des
Webs, sondern vielmehr wenige PageRanks auf der Basis des gesamten Webs
berechnet werden. Bei dieser Berechnung wird zwar das gesamte Web
berücksichtigt, es erfolgt jedoch jeweils eine dem
Themengebiet entsprechende, unterschiedliche Gewichtung.
Die Grundlagen für den Ansatz von Havilewala wurden
hier schon im Abschnitt zum "Yahoo-Bonus" beschrieben. Dabei wurde die
Möglichkeit aufgezeigt, spezifischen Webseiten eine besondere
Bedeutung im Rahmen des PageRank-Verfahrens zukommen zu lassen. Auf das
Random Surfer Modell übertragen geschah dies dadurch, dass die
Wahrscheinlichkeit erhöht wird, dass der Zufalls-Surfer nach
dem Abbruch eines Surf-Vorgangs eine bestimmte Seite aufsucht. Diese
Einflussnahme auf das PageRank-Verfahren wirkt sich dann über
Links auf den PageRank aller Seiten des Webs aus. Konkret erreicht
wurde diese Einflussnahme durch die Implementierung eines weiteren
Wertes E in den PageRank Algorithmus:
PR(A) = E(A) (1-d) + d (PR(T1)/C(T1) + ... + PR(Tn)/C(Tn))
Havilewala geht in seinem
Ansatz zum Topic-Sensitive PageRank einen Schritt weiter. Er weist keiner
Site oder Seite eine grundlegende
und allgemeingültige höhere Wertung zu, sondern
differenziert diese auf der Basis bestimmter Themengebiete.
Für jedes dieser Themengebiete identifiziert er jeweils andere
Seiten mit besonderer Kompetenz. Auf der Grundlage dieser Bewertungen
werden dann unterschiedliche PageRanks jeweils für das gesamte
Web berechnet.
In seiner Arbeit zum Topic-Sensitive
PageRank wählte
Haveliwala die 16 Hauptkategorien des Open Directory Projekt sowohl zur
Identifizierung von Themengebieten als auch für die besondere
Bewertung innerhalb der PageRank-Berechung aus. Konkret weist
Haveliwala für die einzelnen PageRank-Berechnungen den
jeweiligen Seiten unter den Hauptkategorien des ODP einen hohen Wert E
innerhalb des PageRank Algorithmus zu. Wird etwa der PageRank
für das Thema Gesundheit berechnet, erhalten die ODP-Seiten
der Kategorie Gesundheit jeweils einen relativ höheren Wert E,
der sich dann auf die von dort verlinkten Seiten auswirkt. Dies setzt
sich natürlich fort, und unter der Annahme, dass Websites zum
Thema Gesundheit sich tendenziell verstärkt gegenseitig
verlinken, haben all diese Seiten im Rahmen des Themas Gesundheit einen
relativ höheren PageRank.
Haveliwala konstatiert
die Unvollkommenheit der Wahl des Open Directory Project, die sich etwa in
einer großen
Abhängigkeit von den Editoren des ODP und in einer nur sehr
groben Untergliederung in Themengebiete äußert, sie
liefert allerdings offensichtlich bereits gute Ergebnisse und kann
sicherlich ohne großen Aufwand verbessert werden.
Ein Schwerpunkt der Arbeit
zum Topic-Sensitive PageRank ist
die Identifizierung der Präferenzen des Benutzers.
Über themenspezifische Bewertungsmöglichkeiten zu
verfügen ist nutzlos, so lange man nicht darüber
informiert ist, welche Themengebiete für den Benutzer
interessant sind. Schließlich soll für jeweilige
Suchanfragen immer nur derjenige PageRank in die Seitenbewertung
einfließen, der für die Suchanfrage des Benutzers
auch tatsächlich relevant ist. Erst hierdurch kann der
Topic-Sensitive PageRank tatsächlich genutzt werden.
Auch zur Identifikation
der Benutzerpräferenzen
liefert Haveliwala allerdings praktikable Ansätze. So
beschreibt er beispielsweise die Suche im Kontext durch Markieren eines
Begriffes innerhalb eines Dokuments - und damit den Inhalt dieses
Dokuments als Anhaltspunkt für die Identifizierung von
Benutzerpräferenzen. An dieser Stelle soll dazu wiederum an
die Möglichkeiten der Google Toolbar erinnert werden. Die
Toolbar überträgt Daten zu Suchbegriffen und
besuchten Seiten an Google und könnte damit leicht zur
Erstellung von Benutzerprofilen dienen. Doch auch ohne Installation der
Toolbar wäre letztlich eine aktive Auswahl eines Themengebiets
durch den User jeweils vor seiner Suche denkbar.
Die Bewertung von Links auf der Basis von
Inhaltsanalysen
Dass grundsätzlich eine Gewichtung einzelner Links im
Rahmen des PageRank-Verfahrens möglich ist, wurde auf der
vorigen Seite bereits gezeigt. Der Hintergrund einer Gewichtung von
Links auf der Basis von Inhaltsanalysen würde in erster Linie
in der Verhinderung der Korrumpierung des Pagerank-Verfahrens liegen.
So könnte theoretisch mittels Inhaltsanalysen erreicht werden,
dass Links, die ausschließlich zum Zwecke der Steigerung des
PageRanks bestimmter Sites gesetzt werden, in vielen Fällen in
weitaus geringerem Maße auf den PageRank Einfluss nehmen.
Fraglich ist allerdings, ob eine derartige Bewertung auf der Basis von
Inhaltsanalysen auch tatsächlich umgesetzt werden kann.
 Die Grundlagen zum Vergleich
von Inhalten wurden bereits in den 60er und 70er Jahren des 20. Jahrhunderts
von Gerard Salton
erarbeitet. Sein Vektorraummodell bildet Dokumente als Vektoren aus
Termen (Begriffe innerhalb eines Dokuments) und deren Gewichtung ab.
Diese Termvektoren können dann miteinander verglichen werden,
indem z.B. das Kosinus-Maß (Skalarprodukt) berechnet wird, um
inhaltliche Ähnlichkeiten zwischen den Dokumenten zu messen.
In seiner einfachen Form weist das Vektorraummodell einige
Schwächen auf. So wird etwa die grundsätzliche
Annahme kritisiert, dass die Ähnlichkeit zwischen Dokumenten
daran bemessen wird, ob und in welchem Ausmaß einzelne Terme
tatsächlich in zwei zu vergleichenden Dokumenten vorkommen.
Mittlerweile gibt es jedoch zahlreiche Erweiterungen und Verfeinerungen
des Vektorraummodells die viele der Probleme beheben.
Mit Arbeiten die auf Saltons
Vektorraummodell aufbauen hat sich vor allem auch Krishna Bharat hervorgetan.
Dies ist in erster
Linie von Interesse, weil Bharat mittlerweile zu Googles
Mitarbeiterstab zählt und insbesondere als Entwickler der
"Google News" (news.google.com) gilt. Google News ist ein Service, der
Nachrichten-Websites spidert, die einzelnen Nachrichten auswertet und
anschließend in unterschiedlichen Kategorien zu
unterschiedlichen Themen zusammenfasst. Nach Angaben Googles erfolgen
all diese Vorgänge vollkommen automatisiert. Hierzu werden
weitere Kriterien wie etwa der Zeitpunkt des Erscheinens eines
jeweiligen Artikels herangezogen, sofern jedoch keinerlei manuelle
Eingriffe stattfinden, ist eine Zusammenfassung unter inhaltlichen
Gesichtspunkten nur möglich, wenn die Inhalte der einzelnen
Nachrichten zunächst einmal tatsächlich miteinander
verglichen werden. Es stellt sich nur die Frage, wir dies realisiert
werden kann.
In Ihrer Veröffentlichung zum Aufbau einer
Termvektor-Datenbank beschreiben Raymie Stata, Krishna Bharat und
Farzin Maghoul sehr anschaulich, wie Vergleiche zwischen Inhalten auf
der Basis von Termvektoren realisiert und vor allem auch, wie
verschiedene Hürden bei Umsetzung überwunden werden
können. Zunächst besteht die Problematik, dass
zahlreiche Begriffe innerhalb eines Dokuments nicht für einen
Inhaltsvergleich geeignet sind. So wird aus der Gesamtheit aller
Begriffe zuerst das am häufigsten vorkommende Drittel
gefiltert, da diese Begriffe nur zu einem sehr geringen Grad dazu
beitragen können, die Inhalte von Dokumenten voneinander zu
unterscheiden. Da relativ selten vorkommende Begriffe, die z.B. auch
aus Tippfehlern resultieren können, gegebenenfalls thematisch
sehr unterschiedliche Dokumente sehr ähnlich erscheinen
lassen, weil die entsprechenden Begriffe insgesamt sehr selten
vorkommen, wird auch das am wenigsten auftretende Drittel gefiltert,
womit für die Durchführung von Vergleichen nurmehr
ein Drittel aller Begriffe genutzt wird.
Auch wenn bereits zwei
Drittel aller Begriffe nicht in die
Termvektoren gelangen können, ist diese Auswahl für
einen Vergleich noch wenig effizient. Stata, Bharat und Maghoul
führen deshalb vor dem Aufbau der Termvektoren eine weitere
Filterung durch, so dass ein Termvektor jeweils auf maximal 50
Begriffen basiert. Diese 50 Begriffe sind jedoch nicht etwa die 50 am
häufigsten innerhalb eines Dokuments auftretenden Begriffe.
Vielmehr werden die 50 Begriffe genutzt, für die die Relation
aus dem Vorkommen innerhalb eines Dokuments zum Vorkommen innerhalb der
Gesamtheit aller Dokumente am größten ist. Gerade
hierdurch wird es möglich, die Inhalte von Dokumenten
tatsächlich voneinander abzugrenzen.
Die beschriebenen Maßnahmen sind Standards im Rahmen
der Nutzung von Termvektoren. Wenn z.B. das Skalarprodukt aus zwei
derart ermittelten Termvektoren relativ hoch ist, sind die beiden
entsprechenden Seiten einander unter thematischen Gesichtspunkten
tendenziell ähnlich. Diese Vorgehensweisen
ermöglichen Inhaltsvergleiche in vielen Bereichen, ob sie
allein jedoch für unser Ziel der Gewichtung von Links im
Rahmen des PageRank-Verfahrens ausreichend sind, ist zu bezweifeln.
Schließlich können vor allem Synonyme, aber auch
andere Begriffe, die Ähnliches umschreiben, mittels der
beschriebenen Vorgehensweisen nicht identifiziert werden. Für
das Problem der Zusammenfassung von Singular und Plural etwa,
existieren für die englische Sprache relativ einfache
Algorithmen. In anderen Sprachen ist dies jedoch ungleich schwerer zu
bewältigen. Unterschiedliche Sprachen sind dabei ein
grundsätzliches Problem. Bis auf die Ausnahme von z.B.
Lehnwörtern oder Markennamen werden verschiedensprachige Texte
in der Regel keine gemeinsamen Begriffe enthalten, oder aber gemeinsame
Begriffe haben eine völlig unterschiedliche Bedeutung, so dass
ein Vergleich zwischen Texten in unterschiedlichen Sprachen nicht
möglich ist. Doch auch hierfür bieten Stata, Bharat
und Maghoul einen Lösungsansatz.
 Stata, Bharat und Maghoul
zeigen eine sehr konkrete
Anwendungsmöglichkeit ihrer Termvektor-Datenbank auf, indem
Sie für einzelne Dokumente ein entsprechendes, vordefiniertes
Themengebiet identifizieren. Über diese Identifizierung von
Themengebieten hat Bharat auch gemeinsam mit Monika Henzinger - derzeit
Research Director bei Google - veröffentlicht, und sie
funktioniert folgendermaßen: Zunächst werden
sogenannte Themenvektoren berechnet. Themenvektoren sind selbst auch
Termvektoren, nur dass Sie nicht auf den Inhalten einer einzelnen
Webseite basieren, sondern auf den Inhalten vieler Webseiten, denen
eine inhaltliche Ähnlichkeit gemein ist. Um einen Themenvektor
aufbauen zu können, muss es für jedes vordefinierte
Themengebiet eine bestimmte Anzahl an Webseiten geben, für die
bekannt ist, welchem Themengebiet sie zugeordnet werden
können. Zu diesem Zwecke greifen Stata, Bharat und Maghoul auf
Web-Verzeichnisse zurück.
In einer konkreten Anwendung
von Themenvektoren haben sie auf der Basis von jeweils ca. 30.000 Links innerhalb
der damals 12
Hauptkategorien des Yahoo-Verzeichnisses Themenvektoren mit einem
Umfang von jeweils ca. 10.000 Begriffen gebildet. Um das Thema einer
Webseite identifizieren zu können, haben sie
anschließend die Ähnlichkeiten zwischen dem
entsprechenden Termvektor und den einzelnen Themenvektoren berechnet.
Derjenige Themenvektor, für den der höchste Wert
ermittelt wird, bestimmt das Thema der Webseite. Dass die Einordnung
von Themen in der Praxis gut funktioniert kann wiederum anhand von
Google News beobachtet werden. Einzelne Artikel werden nicht nur zu
einem konkreten Thama zusammengefasst, sondern auch noch in eine der
Kategorien World, U.S., Business, Sci/Tech, Sports, Entertainment und
Health eingeordnet. Solange eine derartige Kategorisierung nicht
über die Website-Strukturen der Quellen für die
Artikel erfolgt (was unwahrscheinlich ist), muss tatsächlich
das Thema eines Artikels bzw. einer Gruppe von Artikeln berechnet
werden.
Krishna Bharat beschäftigte sich zum Zeitpunkt seiner
Veröffentlichungen nicht mit PageRank, sondern vielmehr mit
dem Kleinberg-Algorithmus, so dass er weniger die Gewichtung von Links
als vielmehr das Filtern von inhaltlich unzusammenhängenden
Links verfolgt hat. Der Schritt zu einem Vergleich von Inhalten
für die Gewichtung von Links im Rahmen des PageRank ist jedoch
nur kurz. Anstatt der Inhalte von zwei sich verlinkenden Seiten werden
nurmehr die für sie identifizierten Themengebiete verglichen.
So könnten beispielsweise die Grade der Zugehörigkeit
eines jeden Dokuments zu jeweils allen Themengebieten in einem
Themenzugehörigkeitsvektor erfasst werden. Diese Vektoren
können dann als Grundlage für den Vergleich zweier
sich verlinkender Webseiten gewählt werden und somit der
Gewichtung der Links dienen.
Die Nutzung von Themenvektoren
bietet gegenüber dem
direkten Vergleich von Termvektoren einen wesentlichen Vorteil: Ein
Themenvektor kann auf Begriffen aus unterschiedlichen Sprachen
basieren. Hierzu müssen lediglich z.B. Seiten aus den
nationalen Yahoo-Versionen berücksichtigt werden.
Mögliche Abweichungen in den Verzeichnis-Strukturen
können sicherlich manuell angepasst werden. Besser
wäre gegebenenfalls ein Rückgriff auf das ODP, dessen
Strukturen sich innerhalb der Kategorie "World" an die Struktur der
Hauptkategorien anlehnen. Hierdurch wäre die Feststellung
thematischer Ähnlichkeiten zwischen verlinkenden Seiten auch
multilingual zu realisieren, so dass eine sinnvoll geartete Gewichtung
von Links auf der Basis von Inhaltsanalysen durchaus möglich
erscheint.
Gibt
es eine tatsächliche
Implementierung von Themen in das PageRank-Verfahren?
Dass die Ansätze von Haveliwala sowie Richardson und
Domingos zwar durchaus interessant sind, aber derzeit nicht eingesetzt
werden, ist offensichtlich. Man könnte es unmittelbar bei der
Nutzung Googles erkennen. Eine Gewichtung von Links auf der Basis von
Inhaltsanalysen hingegen wäre nicht unmittelbar zu bemerken.
Dass sie theoretisch möglich ist, wurde gezeigt. Ob sie aber
auch praktisch umgesetzt wird, ist durchaus zweifelhaft.
Es soll an dieser Stelle
nicht der Anspruch erhoben werden,
den einzig möglichen Weg zur Gewichtung von Links aus der
Basis von Inhaltsanalysen aufgezeigt zu haben. Es gibt in der Tat
sicherlich dutzende andere. Der hier vorgestellte orientiert sich
jedoch an Veröffentlichungen wichtiger Google-Mitarbeiter, was
ihn dazu qualifiziert, auf ihn eine kritische Beurteilung zu
stützen.
Wie immer im Rahmen des
PageRank-Verfahrens, so stellt sich auch hier die Frage, ob ein Einsatz der
vorgestellten Lösung
hinreichend skalierbar ist. Einerseits erfordert sie
zusätzliche Speicherkapazitäten. Die zitierte Arbeit
von Stata, Bharat und Maghoul beschreibt schließlich gerade
die Architektur einer Termvektoren-Datenbank, die sich in Ihrer
Struktur grundlegend von Google's inversem Index unterscheidet, da sie
aus Effizienzgründen von Seiten-IDs auf Terme referenziert und
damit kaum in bestehende Architekturen integriert werden kann. Der
zusätzliche Speicherbedarf dürfte für die
aktuelle Indexgröße zwischen mehreren hundert GB und
wenigen TB liegen. Dies sollte angesichts eines um ein Vielfaches
größeren Index allerdings nicht sehr ins Gewicht
fallen. Problematischer ist der Zeitbedarf für den Aufbau der
Datenbank und die Berechnung der Gewichtungen.
Der Aufbau einer Termvektor-Datenbank
sollte sich unter
zeitlichen Aspekten etwa in der Größenordnung des
Aufbaus des inversen Index bewegen. Natürlich können
wir davon ausgehen, dass etliche Prozesse gleichsam für den
Aufbau beider Datenbanken genutzt werden können. Sobald jedoch
zum Beispiel die Gewichtung der Terme innerhalb einzelner Termvektoren
von ihrer Gewichtung innerhalb des Index abweichen muss, bleibt der
Zeitbedarf erheblich. Sofern wir davon ausgehen, dass wie in unserem
Lösungsansatz hier, das Skalarprodukt der aus Term- und
Themenvektoren errechneten Themenzugehörigkeitsvektoren
bestimmt werden soll, so können wir davon ausgehen, dass
dieser Prozess einen Zeitaufwand darstellt, der sich im Rahmen der
eigentlichen PageRank-Berechnung bewegt. Natürlich muss auch
hier bedacht werden, dass die PageRank-Berechnung selbst durch die
Gewichtung von Links zusätzlich an Komplexität
gewinnt.
Der zusätzliche Aufwand wäre also gewiss
nicht unerheblich. Vor allem auch deshalb stellt sich die Frage, ob
eine Gewichtung von Links überhaupt sinnvoll ist. Links, die
zwischen thematisch unzusammenhängigen Seiten allein zum
Zwecke der PageRank-Erhöhung einer der beiden Seiten gesetzt
werden, mögen zwar ärgerlich sein, sie
dürften jedoch nur einen minimalen Anteil an der Gesamtheit
aller Links ausmachen. Andererseits ist das Web an sich vollkommen
inhomogen. Google, Yahoo oder das ODP verdanken ihren hohen PageRank
sicherlich nicht nur eingehenden Links von anderen Suchdiensten. Ein
großer Teil der Links innerhalb des Webs werden einfach nicht
mit dem Ziel gesetzt, Besuchern einen Weg zu weiteren, thematisch
verwandten Informationen zu weisen. Die Motivation für das
Setzen von Links ist vielmehr vielfältig. Weiterhin sind die
wohl beliebtesten Websites in sich vollkommen inhomogen. Man denke nur
an Portale wie Yahoo oder aber an Nachrichten-Websites, deren Artikel
allen Bereichen menschlichen Lebens entstammen. Eine starke Gewichtung
von Links in der hier beschriebenen Form würde sich drastisch
auf ihren PageRank auswirken.
Eine Gewichtung von Links
dürfte also nur sehr
eingeschränkt stattfinden, wenn das PageRank-Verfahren nicht
ad absurdum geführt werden soll. Dies wirft dann
natürlich die Frage auf, ob dann der erforderliche Aufwand
gerechtfertigt ist. Schließlich gibt es durchaus andere
Möglichkeiten, den Spam, der beispielsweise durch erkaufte,
thematisch unzusammenhängende Links in den Suchergebnissen
nach vorn kommen kann, an das das Ende der Suchergebnisse zu verbannen.
PageRank
und Google sind geschützte Marken der Google Inc., Mountain
View CA, USA. Das PageRank Verfahren unterliegt dem US Patent
6,285,999.
Copyright by pr.efactory.de
|
