- PageRank
-
Illustration du PageRank.
Le PageRank ou PR est l'algorithme d'analyse des liens concourant au système de classement des pages Web utilisé par le moteur de recherche Google pour déterminer l'ordre dans les résultats de recherche qu'il fournit. De nos jours le PageRank ne fournit qu'un indice parmi tant d'autres dans l'algorithme qui permet de classer les pages du Web dans les résultats de recherche de Google. Ce système a été inventé par Larry Page, cofondateur de Google. Ce mot est une marque déposée.
Sommaire
Fonctionnement
Le PageRank d'une page a tendance à être d'autant plus élevé que la somme des PagesRanks des pages qui pointent vers elle est élevée.Le principe de base est d'attribuer à chaque page une valeur (ou score) proportionnelle au nombre de fois que passerait par cette page un utilisateur parcourant le graphe du Web en cliquant aléatoirement, sur un des liens apparaissant sur chaque page. Ainsi, une page a un PageRank d'autant plus important qu'est grande la somme des PageRanks des pages qui pointent vers elle (elle comprise, s'il y a des liens internes).
Plus formellement, le déplacement de l'utilisateur est une marche aléatoire sur le graphe du Web, c'est-à-dire le graphe orienté dont les sommets représentent les pages du Web et les arcs les hyperliens. En supposant que l'utilisateur choisisse chaque lien indépendamment des pages précédemment visitées (le réalisme d'une telle hypothèse pouvant être discuté), il s'agit d'un processus de Markov. Le PageRank est alors simplement la probabilité stationnaire d'une chaîne de Markov, c'est-à-dire un vecteur de Perron-Frobenius de la matrice d'adjacence du graphe du Web[1],[2]. La taille (gigantesque) de ce graphe et son évolution dynamique (modifications de pages et hyperliens, connexion ou déconnexion de serveurs Web…) rendent cependant impossible un calcul direct de ce vecteur propre : des algorithmes d'approximation sont utilisés.
De nombreuses corrections et améliorations ont été apportées à cet algorithme, certaines étant décrites dans le brevet déposé le 17 avril 2007[3], d'autres ne restant connues que de Google. En particulier, il est important de garantir que des modifications trop locales du graphe du Web n'entraînent pas d'augmentation disproportionnée du PageRank de certaines pages, ceci afin d'éviter que des utilisateurs (par exemple des sites commerciaux) ne "boostent" artificiellement leur PageRank. Par exemple, dans l'algorithme de base décrit ci-dessus, ajouter de nombreux liens internes sur une page Web (ce qui est très simple à faire pour un particulier) permet d'augmenter son PageRank (cette stratégie ne marche pas avec le PageRank actuel de Google).
Les internautes peuvent obtenir une approximation du classement de chaque page en consultant la zone PageRank de la Google Toolbar, qui indique sa valeur sur une échelle de 0 à 10 (Échelle logarithmique). Il existe aussi de nombreux outils pour l'obtenir sans afficher la toolbar. L'affichage de ce "Pagerank" a été abandonné par Google en 2009 il est remplacé par le "TrustRank".
Propriété intellectuelle
Le premier brevet (intitulé Method for Node Ranking in a Linked Database)[4], déposé en janvier 1997 et enregistré le 9 janvier 1998, est la propriété de l'Université Stanford[5], qui a octroyé la licence de cette technologie à Google en 1998 (amendée en 2000 et 2003), deux mois après sa fondation. Il s'agit d'une licence exclusive jusqu'en 2011, l'exclusivité prenant fin à cette date[6].
Les recherches qui ont abouti au développement de la technologie du PageRank ont été financées en partie par la National Science Foundation[7]. Il est donc précisé dans le brevet que le gouvernement a certains droits sur cette invention[8].
La course aux liens
Les référenceurs et les webmasters créent quelquefois massivement des liens retour, par échanges de liens ou en inscrivant un site sur une quantité d'annuaires. Google avait autrefois une vision quantitative de la popularité d'une page, cette technique permettait donc de gonfler artificiellement son indice de popularité. Mais Google a réagi : d'une part en instaurant des filtres, tels que la Sandbox. Il détecte et sanctionne les campagnes massives de liens artificiels ; par ailleurs il intègre des critères qualitatifs à l'analyse des liens (sémantique, confiance : indice TrustRank, comportement des utilisateurs).
Principaux critères du score d'une page web
Selon le brevet Google, ces critères sont :
- les liens entrants et sortants ;
- les ancres ;
- le trafic associé à la page ;
- le comportement des internautes : le choix de la page dans les résultats ;
- le nom de domaine ;
- l'hébergement.
Le TrustRank
C'est un critère d'autorité accordé aux pages, du fait que l'auteur dispose d'une qualité de sérieux et de compétence reconnue. Ce critère est associé aux sites gouvernementaux, et aux sites de référence tels le W3C. Le terme TrustRank vient de Yahoo! et non pas de Google, qui cependant inclut aussi un critère de confiance dans le calcul du positionnement.
nofollow
La valeur
nofollowde l'attribut HTMLrela été définie par Google en 2005, hors des processus normatifs du W3C. Selon Google, un lien ainsi qualifié dans une page Web ne transmet aucune valeur de PageRank aux pages ainsi liées[9] [2]. Le 15 juin 2009, Matt Cutts, responsable de qualité de l'index de Google, a annoncé[10] un changement de traitement des liens ennofollow. Ce type de lien continuera à être ignoré mais sera indirectement pris en compte dans la formule de calcul. Ce changement de traitement est une réaction à l'usage abusif effectué par les webmasters (PageRank Sculpting). D'une manière générale, la nouvelle formule prend en compte tous les liens présents dans une page (même les liens javascript[11] ou publicitaires).Futur PageRank
Beaucoup d'outils proposent de calculer le futur classement d'une page après le prochain passage du googlebot. Ces outils ne sont pas fiables car ils se basent uniquement sur la valeur RK du checksum de Google. L'utilité de cette donnée n'est connue que de Google et n'a rien à voir avec un futur PageRank.
La balise Canonical
La balise Canonical[12] qui doit être incluse entre <head></head> permet de faire le tri entre plusieurs pages qui ont le même contenu et donner aux moteurs de recherche qu'une seule page à crawler. On va alors transférer la valeur des doublons à une seule page, la page canonique. La balise canonique peut aussi être utilisée d'un site A vers un site B.
Articles connexes
Sources
- Sergey Brin et Lawrence Page : The anatomy of a large-scale hypertextual Web search engine, Université Stanford, 1998.
- Description abrégée de PageRank sur le site google.fr
Notes et références
- [PDF] Le théorème de Perron-Frobenius, document pour l'agrégation de mathématiques par B. Bekka, Université de Rennes 1
- [PDF] Comment fonctionne le PageRank ?, explication mathématique de l'algorithme PageRank par M. Eisermann, Université Grenoble 1
- Comment Google attribue un score à une page Web
- US 6.285.999 B1
- Le texte du brevet est accessible sur le site du bureau des brevets des États-Unis (l'USPTO)
- Le texte du contrat de licence, dans sa version amendée de 2003, est accessible à cette adresse
- (Grant NSF - IRI-9411306-4)
- « The Government has certain rights in the invention. » Voir le texte du brevet.
- « From now on, when Google sees the attribute (rel="nofollow") on hyperlinks, those links won't get any credit when we rank websites in our search results. This isn't a negative vote for the site where the comment was posted; it's just a way to make sure that spammers get no benefit from abusing public areas like blog comments, trackbacks, and referrer lists », source.
- Matt Cutts Blog (June 15, 2009), [1], MattCutts.com/Blog, retrieved September 28, 2010
- SEOLand (13 Juillet 2010), [2]
- http://www.google.com/support/webmasters/bin/answer.py?hl=fr&answer=139394
Liens externes
- Technologie Google Vue d'ensemble sur la technologie du moteur de recherche.
- (en) Web PageRank prediction with Markov models Michalis Vazirgiannis, Dimitris Drosos, Pierre Senellart, Akrivi Vlachou - Research paper
Wikimedia Foundation. 2010.
