báo cáo sử lý ngôn ngữ tự nhiên đề tài tìm hiểu cấu trúc hệ thống tìm kiếm thông tin google hiện tại và các kỹ thuật

1
Trường Đại học Bách Khoa Hà Nội
Viện Công Nghệ Thông Tin và Truyền Thông
BÁO CÁO BÀI TẬP LỚN
XỬ LÝ NGÔN NGỮ TỰ NHIÊN
Đề tài: Tìm hiểu cấu trúc hệ thống tìm kiếm thông tin Google hiện tại và các kỹ thuật
xử lý trong tìm kiếm thông tin của Google
Giáo viên hướng dẫn: PGS. Lê Thanh Hương
Nhóm sinh viên thực hiện:
Nguyễn Huy Triển
Nguyễn Hữu Khánh
Trần Quốc Huy
Lưu Mạnh Linh
Hà Nội – 04/2012
Mục Lục
A. Mở Đầu
B. Tổng quan về hệ thống Google Search Engine
I. Thành phần quan trọng trong hệ thống Google search
engine
1.Google Bot
2.Đánh chỉ mục
3.Bộ tìm kiếm thông tin
II. Nguyên lý hoạt động của Google Search Engine
C.Ranking
I. Ranking là gì
II. Các yếu tố ảnh hưởng đến Ranking
III. Các Kỹ thuật sử dụng trong Ranking
IV. PageRank
1.PageRank là gì
2.Công thức thuật toán PageRank
3.yếu tố ảnh hưởng đến pageRank

V. Google Panda Algorithm

2
A.Mở đầu
Google là một công ty Internet có trụ sở tại Hoa Kỳ, được thành lập vào
năm 1998. Sản phẩm chính của công ty này là công cụ tìm kiếm Google, được
nhiều người đánh giá là công cụ tìm kiếm hữu ích và mạnh mẽ nhất trên Internet.
Theo thống kê của Hitwise năm 2009, Google là công cụ tìm kiếm được sử dụng
nhiều nhất trên mạng chiếm 74.04% thị phần, vượt xa so với Yahoo (16,19 %) và
Bing (5.25%) và Ask.com (8,4%).

Google liên kết với hàng tỷ trang web, vì thế người sử dụng có thể tìm kiếm thông
tin mà họ muốn thông qua các từ khóa và các toán tử. Google cũng tận dụng công
nghệ tìm kiếm của mình vào nhiều dịch vụ tìm kiếm khác, bao gồm Image Search
(tìm kiếm ảnh), Google News, trang web so sánh giá cả Froogle, cộng đồng tương
tác Google Groups, Google Maps và còn nhiều nữa.
3
B.Tổng quan về hệ thống Google Search Engine
I.Thành phần quan trọng trong hệ thống Google search engine
1. Google Bot
Google Bot là những “bọ tìm kiếm” giúp Google tìm kiếm xử lý thông tin trên
các website. Xử lý thông tin là quá trình sàng lọc thông tin mới, update những
thông tin thay đổi trên mỗi website và thu thập các thông tin này vào kho “đám
mây dữ liệu” của Google. Các trang trên website sau khi đã được Google sàng lọc
thông tin, chúng ta thường sử dụng “đã được google index” để gọi chúng.
Trên thế giới có hàng trăm, hàng ngàn trang web được sử dụng. Để sàng lọc thông
tin từ số lượng trang web khổng lồ như vậy Google bot được thiết lập các thuật
toán, các giải thuật để xử lý thông tin nhanh chóng.
Có thể tới đây bạn sẽ thắc mắc vậy bao lâu thì Google Bot sẽ sàng lọc lại thông tin
trên trang web một lần? Và số lượng trang trên website được sàng lọc trên mỗi lần

sàng lọc là bao nhiêu?
Google sàng lọc thông tin dựa trên một list các danh sách link ( URLs) trên mỗi
website. Đó là lý do vì sao chúng ta nên tạo sitemap cho các website. Tạo sitemap
đảm bảo cho Google Bot có thể sàng lọc được lượng thông tin nhanh và nhiều nhất
trên mỗi website. Khi Google Bot “ghé thăm” mỗi website, chúng “đọc” – Tìm
kiếm các đường link trên site, tất nhiên chúng có thể đọc được tất cả các đường
link bên trong mỗi trang (SRC- Nguồn của bức ảnh và HREF- Đường link dẫn
trong các thẻ <a>) và thêm những link này vào danh sách các URLs sẽ được sàng
lọc thông tin và tất nhiên nó sẽ tiếp tục tìm kiếm, chắt lọc các thông tin từ nguồn
dữ liệu của các đường link này chỉ tới.
Hãy chú ý một điều rằng, vì một lý do nào đó các link trên site của bạn bị thay đổi
không “trỏ” đúng vị trí, Google luôn luôn cập nhật thông tin do vậy các link cũ của
bạn sẽ được gọi là link “chết”, bạn nên hạn chế điều này vì Google bot “không
thích” chắt lọc thông tin từ những link “không có gì”. Thực ra chúng ta có thể khắc
phục vấn đề link “chết” này
Google Bot truy cập vào website của bạn như thế nào?
4
Google xây dựng rất nhiều Google Bot phân rải trên các website để tăng hiệu suất
sàng lọc và cập nhật thông tin. Nếu một website có lượng thông tin thường xuyên
thay đổi, số lượng Google Bot thường xuyên lưu trú sẽ lớn hơn. Google Bot lưu trú
sẽ cập nhật những thay đổi trên website của bạn về kho dữ liệu Google, đó là lý do
vì sao người dùng có thể tìm thấy thông tin hữu ích khi search trên Google.com.
2. Đánh chỉ mục
Trong hơn chục năm phát triển Có rất nhiều Thuật toán mà google đưa ra nhằm
cải thiện bộ máy tìm kiếm của mình một trong số thuật toán gần đây đó là Google
sử dụng hệ thống search index (đánh chỉ mục) website có tên là GoogleCaffeine.
Caffeine mang lại nhiều hơn 50% kết quả tìm kiếm cấp nhật nhất so với hệ thống
cũ, nó là tập hợp nội dung web lớn nhất được cung cấp. Nếu blog, forum của bạn
có bài post mới bạn có thể tìm thấy ngay trên kết quả tìm kiếm trong thời gian
nhanh hơn nhiều so với trước đây.

Khi bạn search Google thực chất bạn không tìm kiếm các website thật mà bạn chỉ
đang tìm kiếm những website Google đã Index (Search Index), giống như mục lục
ở mỗi cuốn sách giúp bạn tìm kiếm chính xác nội dung mình cần ở trang nào.
Nội dung website phát triển chóng mặt, nó không chỉ phát triển về số lượng nội
dung mà còn phát triển nhiều hình thức khác nhau như video, ảnh, tin tức cập nhật
thời gian thực. Các webpage nhiều nội dung hơn và ngày càng phức tạp hơn. Hơn
nữa người dùng Google cũng đòi hỏi ngày càng cao hơn, họ đòi hỏi tìm thấy nội
dung mới nhất và phù hợp nhất. Người xuất bản nội dung thì mong muốn nội dung
của họ phải được tìm thấy ngay sau khi xuất bản.
Để theo kịp sự tiến hoá của web và đáp ứng nhu cầu của người dùng, google xây
dựng Caffeine. Ảnh dưới đây mô tả sự khác nhau giữa hệ thống index cũ và
caffein.
5
Phần hình bên tay trái là bộ máy index cũ. Những tầng thông tin được xếp chống
lên nhau tính theo độ tuổi được đánh chỉ mục. Một số trong cùng một lớp tuổi
được cập nhật vài lần 1 tuần, những một số thì người lại thông tin của nó chỉ được
cập nhật vài tuần một lần. Nhưng để đánh giá lại chỉ số index cho website hệ thông
của Google phải phân tích lại toàn bộ website và đem so sánh với những website
trong cùng 1 lớp, như vậy độ trể của các kết quả là rất cao. Và với cấu trúc này
người dùng sẽ rất dễ dàng nhận được những thông tin không như họ mong đợi do,
cấu trúc dữ liệu đã được cố định sẵn theo hệ thống của Google và tính tương tác ở
đây là hoàn toàn không có.
Với hình bên tay phải, bạn sẽ thấy sự khác biệt rõ ràng. Hệ thống caffeine sẽ cập
nhận và phân tích website trên những phần nhỏ (website sẽ được chia nhỏ ra) và
cập nhật các chỉ mục tìm kiếm liên tục và trên một diện rộng. Như vậy khi các
googlebot đến những trang mới, có thông tin mới thì những thông tin này được xếp
ngang hàng với các thông tin trên các website cũ. Như vậy người dùng sẽ dễ dàng
tìm được thông tin “tười” 100% mà không bắt gặp phải bất cứ rào cản nào về thời
gian và website mà nó được xuất bản.
Tất nhiên để đem lại khả năng hoạt động khủng như vậy Google Caffeine cũng sẽ

phải tiêu tốn của Google một lượng tài nguyên cũng rất “khủng”. Theo tính toán
của Google một giây hệ thống Caffeine có khả năng phân tích và index tầm 100
ngàn trang trong cùng 1 thời điểm. Nếu tính sơ sơ mỗi trang trên website là 1 tờ
giấy A4 thì mỗi giây caffeine sẽ làm cho đống giấy này dài thêm 3 … dặm. Hệ
thống Caffeine chiềm gần 100 triệu Gigabye lữu trữ trong một cơ sở dữ liệu và nó
lớn lên theo tộc độ hằng trăm ngàn gigabyte mỗi này. Bạn sẽ cần 625.000 chiếc
Ipod lớn nhất để lưu trữ thông tin một ngày caffeine cập nhật.
Sự thật thì các kỹ sư của Google muốn xây dựng Caffeine như là một hệ thống có
khả năng hoạt động tốt trong tương lai 5 đên 10 năm nữa. Khi mà khối lượng thông
tin trên internet và sự khó tính của người dùng đòi hỏi Google phải trở thành một
bộ máy tìm kiếm nhanh, mạnh và toàn diện hơn nữa mới có thể đám ứng đủ nhu
cầu.
3. Bộ tìm kiếm thông tin
6
Bộ tìm kiếm thông tin là một thành phần xử lý các truy vấn từ phía người sử
dụng (user), tiếp nhận các yêu cầu tìm kiếm (câu truy vấn query),phân tích từ, tìm
kiếm trong Cơ sở dữ liệu chỉ mục, so khớp các từ khóa, lấy về kết quả phù hợp, sau
đó trả lại những kết quả đó cho người sử dụng thông qua giao diện GUI.
Nói chung, bộ tìm kiếm thông tin hoạt động độc lập với các thành phần
khác, song lại phụ thuộc với nhau về mặt dữ liệu.
II.Nguyên lý hoạt động của Google Search Engine
1.Search Engine điều khiển robot đi thu thập thông tin trên mạng thông qua
các siêu liên kết Hyperlink.
2.Robots phát hiện ra website mới, nó gửi tài liệu webpage về cho server
chính để tạo CSDL chỉ mục phục vụ cho nhu cầu tìm kiếm thông tin. (*Robots
phải liên tục cập nhật dữ liệu trên mạng, mật độ cập nhật phụ thuộc vào từng hệ
thống tìm kiếm (Search engine)).
3.Search engine nhận yêu cầu truy vấn từ User, nó sẽ tiến hành phân tích,
tìm trong CSDL chỉ mục và trả về những tài liệu thỏa yêu cầu.
7

C.Ranking
I. Ranking là gì?
Trong lĩnh vực tìm kiếm, ranking là kỹ thuật đánh giá giá trị từng kết quả
trong tập trả về mỗi khi người dùng truy vấn. Bằng cách thức cho điểm, danh sách
kết quả sẽ được sắp xếp theo thứ tự trước sau tương ứng với số điểm.
Với việc bùng nổ dữ liệu trên internet, việc đánh giá xem một trang web nào là
chất lượng với một từ khóa thực sự khó khăn. Do đó tầm quan trọng của ranking
trong tìm kiếm ngày càng cao. Nó đòi hỏi phải kết hợp nhiều thuật toán để cho ra
được kết quả tốt nhất mà người dùng mong muốn.
II. Các yếu tố ảnh hưởng đến Ranking
• Từ khóa: Số lần xuất hiện của từ khoá trong bài viết. Ví dụ: từ "Việt Nam"
xuất hiện hai lần trong bài viết A và 3 lần trong bài viết B. Như vậy bài viết
B sẽ có điểm cao hơn khi truy vấn bằng từ khoá "Việt Nam".
Tỉ lệ tần suất xuất hiện từ khoá với độ dài của bài viết. Ví dụ: từ khoá "Việt
Nam" xuất hiện hai lần trong bài viết A và 3 lần trong bài viết B. Nhưng nếu
bài viết A dài 1 trang và bài viết B dài 2 trang thì trong trường hợp này, bài
viết A sẽ có điểm số cao hơn bài viết B ứng với từ khóa "Việt Nam".
• Internal link
8
+Vòng lặp vô hạn / thiếu các Internal link Seo
Vòng lặp vô hạn, theo cách gọi thông thường của các SEOer là thủ thuật “Nhốt
bot”, thủ thuật này sẽ làm cho bot mất nhiều thời gian để index những trang có nội
dung như nhau và giảm unique content và cũng giảm giá trị link của từng page
+Quá nhiều link trong một Pages
Cách làm này làm giảm giá trị các page trong nội bộ site. Có quá nhiều liên kết
trong 1 trang (hơn 100) giống như một cái gầu có 100 lỗ thủng trong nó. Bất kể
bao nhiêu nước bạn đổ vảo đó, nó cũng sẽ chảy hết ra sàn nhà.
+Sử dụng Anchor text không phù hợp
Một trong những điều tệ nhất bạn có thể làm cho các Internal link Seo của mình là
sử dụng các từ khóa có đặc điểm chung như bấm vào đây hoặc sử dụng các câu

còn lại hoặc 1 nhóm các từ như các liên kết. Tác dụng của việc này chính là giúp
cho các trang đích được xếp hạng bới bất cứ từ khóa cụ thể
9
+Các trang không liên kết với trang khác
(orphan page – dịch là các trang mồ côi nghe cũng hơi ngang nên cứ dịch là trang
không liên kết với trang khác)Nếu bạn muốn một trang được xếp hạng thì đừng
quá chặt chẽ với các liên kết. Coi dòng liên kết như các dòng chảy tầng của nước
(giống như một thác nước) và 10 cốc rượu sâm panh sẽ được đổ đầy từ một cốc
rượu ở phía trên cùng từ một dòng chảy
III. Các kỹ thuật sử dụng trong ranking
Google cho biết họ sử dụng kết quả của hơn 200 phương pháp khác nhau để
đánh giá toàn thể cấu trúc Web và xác định những trang nào là quan trọng nhất.Sau
đây là một số thuật toán cơ bản trong Ranking:
1.Đánh giá theo địa chỉ của trang.
Đây là một cách đánh giá độ quan trọng của từ khóa với mỗi trang Web và
thường có trọng số khá cao. Thay vì từ khóa nằm trong bài viết thì nó lại nằm trong
đường dẫn URL hay tên miền của trang Web (domain name).
2. Đánh giá bằng từ khoá quan trọng.
Web Page là tài liệu có định dạng hiển thị. Thông dụng nhất là chuẩn
HTML. Dựa vào cấu trúc định dạng đó, thuật toán cho điểm cao hơn với từ khóa
nằm trong các thẻ đặc biệt. Cách thông thường nhất mà Search Engine hay áp dụng
chính là cho điểm cao với từ khoá nằm trong anchor text(liên kết), các thẻ tiêu đề,
meta keyword, H1, H2, H3, H4, H5, H6 hoặc từ khoá được in đậm, viết hoa.
Chúng ta đã biết một bài văn thường bao gồm ba phần: mở bài, thân bài và kết
luận. Trong đó, phần mở bài gần như một tóm tắt hoặc giới thiệu nội dung cho cả
bài viết. Nếu chúng ta xác định được đâu là mở bài và cho điểm cao hơn với những
từ khóa nằm trong đó thì kết quả search chính xác hơn rất nhiều. Mặt khác, với một
từ "Việt Nam", nếu xuất hiện ở đầu bài viết, giữa hay cuối bài viết thì nó cũng có
những trọng lượng khác nhau.
Trong một bài viết, các từ khóa có độ quan trọng khác nhau còn tùy thuộc vào vị

trí hoặc ngữ cảnh. Ví dụ, các danh từ riêng sẽ ít xuất hiện hơn trong một bài viết
10
nhưng nó mang lại thông tin nhất định cho bài viết. Chẳng hạn, nếu ta thấy từ "Việt
Nam", ta biết ngay bài viết sẽ nói vấn đề gì đó về Việt Nam. Nhưng với từ "làm
việc", chúng ta không thể đưa ra kết luận gì bởi đây là một động từ chung chung.
Các danh từ thường có độ quan trọng hơn động từ, tính từ và trạng từ là thành phần
kém quan trọng nhất. Ngoài ra, từ viết tắt, từ đồng nghĩa sẽ giúp nội dung có
điểm đánh giá cao hơn. Ví dụ, bài viết chứa cả cụm từ "Hà Nội" và "Thăng Long"
sẽ có điểm cao hơn so với bài viết chỉ chứa từ "Hà Nội". Trường hợp khác, bài viết
chứa cả cụm từ "công nghệ thông tin" và "cntt" sẽ có điểm cao hơn bài viết chỉ
chứa cụm từ "công nghệ thông tin". Kết hợp với từ điển, phân tích ngữ nghĩa sẽ
giúp phân tích sâu hơn về cấu trúc, tóm tắt hay gạn lọc lại những ý chính của bài
viết.
3.Đánh giá bởi các từ gần nhau.
Thuật toán cho phép tính toán độ gần nhau giữa các từ khoá. Các Search
Engine cho phép người tìm kiếm chỉ định độ gần nhau của các từ bằng câu lệnh
tìm kiếm dạng "ca sỹ mỹ tâm"~5. Lệnh search này sẽ trả về tập bài viết có các từ
"ca", "sỹ", "mỹ", "tâm" và khoảng cách giữa các từ thường không quá năm từ. Đây
là thuật toán khá hay và tương đối dễ cài đặt. Thuật toán này có thể kết hợp với các
phương thức phân tích cao cấp để xác định vấn đề quan trọng trong bài viết nhằm
tăng điểm cao hơn cho các câu hoặc cụm từ giá trị trong nội dung.
4. Đánh giá theo ngày tháng.
Thông thường, người tìm kiếm có xu hướng tìm kiếm những vấn đề hay sự
kiện mới xảy ra. Chẳng hạn, với từ khoá "Ronaldo", người ta sẽ quan tâm đến
những vấn đề như Ronaldo gần đây cặp kè với ai, đá cho đội nào hay mức lương
bao nhiêu? Phương thức ranking này là dễ, rẻ nhất và khá hiệu quả. Nếu ta quan sát
kết quả Google ở nhiều thời điểm khác nhau với một từ khóa ta sẽ thấy thứ hạng
trả về của kết quả thay đổi. Nhưng phương thức xác định thời gian của nội dung
không hề đơn giản. Nếu chỉ căn cứ vào thời gian Crawler (máy quét) lấy về thì
không chính xác tuyệt đối. Ví dụ, một bài viết xuất hiện trên trang Web A đã lâu

nhưng được trang Web B copy lại nội dung. Như vậy, thời gian mà Crawler lấy về
chỉ mang tính tương đối. Trường hợp khác, bài viết đề cập tới chiến tranh Việt
Nam hay những sự kiện từ thập niên 50 được đăng tải, chúng ta không thể căn cứ
vào thời gian cập nhật để xác định thời gian của nội dung.
11
5. Đánh giá theo độ nổi tiếng của trang.
"PageRank của Google đánh giá độ quan trọng của một trang web dựa trên
phương pháp xử lí gọi là thuật toán phân tích liên kết (Link Analysis Algorithm).
Phương pháp này đánh giá độ quan trọng của một trang Web dựa trên những liên
kết trên Internet. Và Google cho biết: "trang nào được chúng tôi đánh giá quan
trọng sẽ được ưu tiên hiện trước trong danh sách kết quả tìm kiếm. Chúng tôi luôn
tìm cách đánh giá một cách hữu hiệu nhất để tăng chất lượng kết quả tìm kiếm và
tạo ra một sản phẩm có ích, và công nghệ PageRank của chúng tôi sử dụng tính
cộng đồng trên Internet để xác định độ quan trọng của một trang web."
Đây là một phương thức hay và có hiệu quả.Nhưng tại thời điểm hiện nay, số
lượng trang web ngày càng bùng nổ theo cấp số nhân Hiện tại, chất lượng Page
Rank đã giảm nhiều so với thời kỳ đầu.
6. Đánh giá theo truy vấn vùng.
Cùng một từ khóa tìm kiếm, kết quả trả về cho người Mỹ sẽ khác với kết
quả trả về cho người Việt. Ngoài việc ưu tiên những nội dung tiếng Việt lên đầu,
Search Engine còn cần phải loại bỏ các kết quả không phù hợp với văn hóa và xã
hội Việt Nam.
Tính toàn cầu của Internet cũng cần phải thỏa mãn tính bản địa khi truy vấn đến từ
nhiều nơi khác nhau. Local Ranking là phương pháp căn cứ vào dải ip truy cập của
người dùng rồi đánh giá lại tập nội dung, cho điểm những kết quả phù hợp hơn với
người dùng đến từ nước, vùng, khu vực đó.
7.Đánh giá bởi con người và trình duyệt.
Phương pháp thống kê nhờ theo dõi hành vi người dùng để đưa ra đánh giá
về chất lượng của một trang Web. Phương thức này chỉ có thể triển khai khi một
Search Engine có số lượng người dùng lớn như Google hoặc Yahoo. Một phương

pháp khác là nhờ vào kiểm soát trình duyệt (Google và Microsoft).Hiệu quả của
phương pháp này rất lớn nếu được triển khai tốt. Tuy nhiên, nó vi phạm đến một số
vấn đề riêng tư và bảo mật của người dùng Search Engine.
IV. PageRank:
12
1.PageRank là gì?
PageRank viết tắt là PR tạm dịch là thứ hạng trang. Khi nói đến PageRank người
ta thường nghĩ đến ngay Google PageRank. Đó là một hệ thống xếp hạng trang
Web của các máy tìm kiếm nhằm sắp xếp thứ tự ưu tiên đường dẫn URL trong
trang kết quả tìm kiếm
PageRank được phát triển tại đại học Stanford bởi Lary Page (cũng bởi vậy mà có
tên PageRank) và sau đó bởi Sergey Brin như một phần dự án công cụ tìm kiếm
mới.
Theo Google một cách tóm lược thì PageRank chỉ được đánh giá từ hệ thống liên
kết đường dẫn. Trang của bạn càng nhận nhiều liên kết trỏ đến thì mức độ quan
trọng trang của bạn càng tăng. Tuy nhiên đó chỉ là những khái niệm sơ đẳng nhất
mà Google hiếm khi thông báo chính thức. Trong thực tế, thuật toán PageRank
phức tạp hơn rất nhiều. Và may mắn là như thế, nếu không trang kết quả tìm kiếm
của Google sẽ không còn tin cậy bởi những người lạm dụng thuật toán của nó, và
có lẽ như thế, SEO mới là một nghệ thuật làm tốn nhiều giấy bút của Webmaster.
PageRank của Google hiển thị trên GoogleToolbar là một số nguyên từ 0 cho đến
10. Đơn vị PageRank có tỷ lệ logarithmic dựa trên khối lượng link trỏ đến cũng
như chất lượng của những trang Web chứ đường link xuất phát này
Chỉ số PageRank của một trang web là kết quả bầu chọn của tất cả các trang web
khác trên toàn thế giới cho website đó về mức độ quan trọng của trang. Mỗi 1 liên
kết ngược là 1 phiếu bầu. Các phiếu bầu này có mức độ ảnh hưởng khác nhau, sự
13
khác nhau đó phụ thuộc vào chất lượng ( hay tính quan trọng ) của mỗi trang đặt
liên kết ngược.
Một trang được liên kết đến bởi các trang có PageRank cao sẽ nhận được

PageRank cao. Nếu 1 trang web không có liên kết nào đến thì sẽ không có phiếu
bầu nào.
Chỉ số PageRank này cho biết trang web có quan trọng hay không theo cách nhìn
nhận của Google. Website nào có chỉ số PageRank cao chứng tỏ website đó có chất
lượng cao và quan trọng. Vì thế, khi tìm kiếm, Google sẽ ưu tiên cho các site có
PageRank cao.
14
Tất nhiên khi tìm kiếm không phải cứ website có PageRank cao là sẽ được xếp ở
trang đầu tiên, điều này còn phụ thuộc vào việc bạn muốn tìm kiếm gì và nhiều yếu
tố khác. Google kết hợp PageRank với một số heuristics khác để cho ra kết quả
phù hợp nhất.
2.Công thức thuật toán PageRank.
Giá trị PageRank của trang P
i
được tính như sau:
PR(A)=(1-d)+d*( +…+ )
Trong đó:
PR

( A ) là PageRank của trang A.
t1…tn:là các trang trỏ hay link tới trang A.
C(t):số trang trỏ tới hay link trang t.
Tham số giảm sóc d có giá trị xấp xỉ 0.85
3.Yếu tố ảnh hưởng tới pageRank
- Theo định nghĩa thuật toán PageRank cho ta thấy có 2 yếu tố ảnh hưởng đến
vị trí của trang web trên Google. Đó là:
• Số lượng các link đi đến ( inbound links): Thông thường thì càng nhiều link
đi đến càng tốt.
• Số lượng các link đi ra của các trang web trỏ tới ( outbound links): Càng ít
càng tốt.

Có thể thấy thuật toán PageRank không liên quan gì đến các câu truy vấn tìm kiếm.
Nó chỉ đơn thuần là một phần của thuật toán xếp hạng của Google.

15
Note:demo tinh PageRank:
/>lnks=2,10,15&iblprs=0.15,0.15,0.15,0.15&pgnms=&pgs=3&initpr=1&its=100&type=simple
IV. Google Panda Algorithm
Tháng 11-2011 Google chính thức thay đổi thuật toán Ranking của mình lấy
tên là Panda. Đây là một sự thay đổi mạnh mẽ của Google. Thuật toán Panda có tư
tưởng chủ đạo là “ Content is King”. Nó loại bỏ hoặc giảm chỉ số xếp hạng của các
trang web có nội dung kém chất lượng, sao chép nội dung, và các trang web có nội
dung chủ yếu được sưu tập từ các trang khác, tăng chỉ số xếp hạng của các trang có
nội dung nguồn chất chất lượng
Thuật toán Panda cố gắng xác định nguồn gốc, tác giả của nội dung và tăng thứ
hạng cho trang đó, đồng thời hạ thứ hạng của tất cả các trang có nội dung trùng lặp
với nội dung trên.
Thuật toán Panda
Google tung ra Google Panda để thay thế cho Google Cafein. Nó là tập hợp của
các thuật toán phức tạp. Với tầm nhìn rõ ràng của Google Panda là loại bỏ những
nội dung rác, nội dung copy, loại bỏ những website có thương hiệu kém…Google
Panda là bộ lọc quan trọng để cải tiến các kết quả tìm kiếm mới của Google .
Sau đây là những tiêu chí chính trong thuật toán Google Panda:
 “Content is king”
Coi trọng dữ liệu mới. Coi trọng dữ liệu text.Chính tả và ngữ pháp là quan
trọng
 Tỉ lệ các bài viết có nội dung trùng lặp. Điều này có thể áp dụng cho từng
trang riêng lẻ, cho cả trang web hoặc cả hai
 Thời gian khách truy cập trên website
16
Nếu người dùng tìm thấy những nội dung hữu ích và đáp ứng đúng nhu cầu

của họ, khả năng họ ở lại trên website để tìm những thông tin liên quan là rất
cao. Do đó các trang web mà người dùng giành nhiều thời gian để đọc và
tìm những bài viết trên website sẽ được Google đánh giá cao.
 Tỷ lệ Bounce Rate
Thuật toán Google đưa ra là khi một website người dùng thường xuyên truy
cập sẽ là website có giá trị.
 Tỷ lệ khách hàng quay trở lại
Một cách tuyệt vời để biết được trang web đang có thứ hạng cao trên bảng
tìm kiếm của Google có hữu ích hay không chính là tỷ lệ khách hàng quay
trở lại website. Google tin rằng chỉ có chất lượng website mới khiến người
dùng quay trở lại website thường xuyên hơn.
 Mạng xã hội
Mục đích của Google Panda là để giúp chọn lọc ra các website hoạt động
thực sự bởi con người chứ không phải máy móc (Auto post). Do đó những
mạng xã hội là tiêu chí đánh giá khá quan trọng khi tại đây những yếu tố
tương tác rất mạnh chỉ có con người mới có thể làm được như trên Facbook,
Youtube, Twister…
 Lượng nội dung gốc trên site hoặc mỗi trang.
 Số lượng các link trỏ đến trang web.
 Số lượng các từ không tự nhiên trên trang
 Tỷ lệ người dùng kích qua các trang kết quả của Google (cho trang hoặc
site)
 Tỷ lệ nội dung không trung thực (như nhau trên tất cả các trang).
 Số lượng các quảng cáo trên trang web
17
D. Tài liệu tham khảo
1. />2. />3. />4. -
muenchen.de/konferenzen/Jass05/courses/6/Papers/07.pdf
18