Odhalení: Vzoreček Googlu

O úspěšnosti nebo bezvýznamnosti webových stránek rozhoduje MALÝ ALGORITMUS – vzorec pro výpočet hodnoty PageRank ve vyhledávači Google. Ukážeme vám, jak funguje.
MARTIN GOLDMANN

Začneme několika otřepanými pravdami: internet je obrovský, webová stránka naproti tomu maličká. Každá nabídka na webu se nevyskytuje jen jednou či dvakrát, nýbrž desetkrát či stokrát. V takové konkurenci je pro jednotlivou stránku obtížné se prosadit neboli předvést se uživateli. Ten ji uvidí pouze v jediném případě – když na Googlu spustí vyhledávání a daná stránka se pak objeví mezi prvními nálezy. Tak tvrdá, tak „darwinistická“ jsou pravidla internetu, pravidla Googlu.
Když ale existují stovky podobných stránek, kterou z nich posunout nahoru, a kterou naopak vyhostit na spodní místa? Odpověď na tuto otázku vtělili zakladatel Googlu Larry Page a Sergey Brin do jediného vzorečku, tzv. PageRank algoritmu (pojem lze volně překládat jako „hodnocení stránky“, byl prý však míněn i jako slovní hříčka se jménem otce Googlu, tedy „Pageovo hodnocení“). Kdo vzorec zná, rozumí mu a používá jej, může svou internetovou prezentaci protlačit na přední místa. Kdo jej zneužívá, bude potrestán. Jak ale vlastně PageRank funguje a kdy se webová stránka ocitne ve výsledcích hledání na předních místech?

PageRank: Jak algoritmus pracuje

Za formulkou pro PageRank stojí úvaha právě tak jednoduchá jako geniální:
1. Ke každé webové stránce existuje určitý počet jiných webových stránek, které na ni odkazují.
2. Každá z těchto webových stránek má sama zase nějaký PageRank.
3. Odkaz ze stránky B na stránku A je jako při běžném hlasování považován za hlas od B pro A.
4. Kromě toho PageRank stránky B dodá hlasu pro A určitou váhu. Čím vyšší je PageRank stránky B, tím lépe.
5. Jako další faktor vstupuje do hry celkový počet odkazů uvedených na stránce B. Čím méně jich je, tím lépe pro PageRank stránky A.
6. Součet všech PageRanků je roven počtu všech dokumentů (stránek) na webu. PageRank tedy reprezentuje významnost dokumentu uvnitř celého evidovaného internetu.
Důležité přitom je, že PageRank se vypočítává pro každou jednotlivou stránku, ne pro kompletní webovou nabídku. Může se proto stát, že určitý příspěvek na webovém serveru má vyšší PageRank než sama domovská stránka.
V matematické podobě vypadá celá záležitost takto:
PR(A) = (1-d) + d (PR(T1)/C(T1) + ... + PR(Tn)/ C(Tn))
Vyjádřeno slovně: PageRank stránky A je součtem PageRanků stránek T1 až Tn, vždy vydělených počtem odkazů na těchto stránkách. K tomu přistupuje ještě tzv. faktor útlumu (d), velmi důležitý prvek, který sehraje svou roli později.
Princip PageRanku se dá nejlépe objasnit na zjednodušeném schématu: Předpokládejme, že celý web se skládá z pouhých čtyř stránek A, B, C a D. Všechny mají jako výchozí stav PageRank rovný 1. Sečteno dohromady to tedy odpovídá celému zde předpokládanému webu o čtyřech stránkách. Pro první příklad vyjdeme ze situace, že každá ze stránek B, C a D ukazuje jediným odkazem na stránku A. Kromě nich se žádné další odkazy nevyskytují.
Budeme-li prozatím ignorovat faktor útlumu, dostáváme tento vztah:
PR(A) = 1/1 + 1/1 + 1/1
Z toho pro stránku A vyplývá PageRank rovný 3. Nyní se podívejme na jinou, trochu komplikovanější konstelaci (viz schéma na str. 75): Stránka A má odkazy na B a C, stránka B jen jeden odkaz na A. C odkazuje na A, B a D, D pouze na B. Pro A tedy platí:
PR(A) = 1/1 + 1/3
Odkaz ze stránky B (kde je jediný) přináší 1, stránka C přispěla jen hodnotou 0,33, neboť se na ní vyskytují celkem tři odkazy. Výsledkem je tedy hodnota 1,33. Pro B dostáváme
PR(B) = 1/2 + 1/3 + 1/1,
což po zaokrouhlení dává 1,83. Pro C (kam jako jediný směřuje jeden ze dvou odkazů ze stránky A) bude
PR(C) = 1/2,
tedy 0,5. Konečně D bude mít
PR(D) = 1/3,
zaokrouhleno 0,33.
Součet PageRanků by měl dát celkový počet stránek:
1,33 + 1,83 + 0,5 + 0,33 = 3,99
Chybějící 0,01 má na svědomí zaokrouhlování. V našich výpočtech však ještě něco chybí – do výsledku není zahrnut aktuální PageRank jednotlivých stránek. Podívejme se znovu na příklad pro stránku B. Pokud výpočet pro dříve (v prvním kroku) zjištěné PageRanky přizpůsobíme tomuto hledisku, výraz
PR(B) = 1/2 + 1/3 + 1/1
se změní na
PR(B) = 1,33/2 + 0,5/3 + 0,33/1
Výsledkem by tedy byl PageRank (po zaokrouhlení) 1,62. Ovšem přepočet PageRanku pro B samozřejmě zase ovlivnil PageRanky ostatních stránek A, C a D. A nová hodnota PR(D) zase změní PR(B) atd.
Jak vidíme, nezbývá než se ke správnému výsledku přibližovat postupně opakovanými iteracemi. Vyhledávač Googlu proto výsledky jednoho výpočtu použije v dalším iteračním kroku. Podle údajů Pageho a Brina stačí přibližně 100 iteračních cyklů ke stanovení PageRanků miliard uložených stránek.

Faktor útlumu: Chování uživatele

Podle předpokladu Googlu reprezentuje PageRank pravděpodobnost, s jakou internetový surfař při klikání na odkazy vyvolá danou webovou stránku. Poněvadž je přitom nutno uvážit, že tak nebude činit nekonečně dlouho, byl do vzorce zahrnut ještě tzv. faktor útlumu. Ten v podstatě simuluje situaci, že surfaře další klikání na odkazy přestane bavit. V popisu svého algoritmu předpokládají Sergey Brin a Larry Page faktor útlumu o velikosti 0,85. Lze tedy očekávat, že i v realitě Googlu bude ležet blízko této hodnoty.
Skutečný PageRank se na rozdíl od výše uvedeného příkladu počítá jako pravděpodobnostní hodnota mezi 0 a 1. Z toho vyplývají hodnoty PageRanku v podobě malých desetinných zlomků. Stránka s hodnotou 0,01 by tedy měla pravděpodobnost 1 %, že se na ni uživatel po kliknutí na náhodný odkaz dostane.
Zbývá ještě objasnit jednu záhadu: Když se tedy PageRank vyjadřuje číslem od 0 do 1, proč jej pak například Google Toolbar (http://toolbar.google.com) zobrazuje jako hodnotu mezi 1 a 10? Odpověď zní: Google číslo přepočítává. Jak přesně se tak děje, to není úplně jasné. Experti ovšem předpokládají, že přepočet není lineární, nýbrž logaritmický. Znamená to pak, že například skok PageRanku v Toolbaru z 1 na 2 je daleko snazší než třeba z 9 na nejlepší známku 10.

Filtry: Malí pomocníci PageRanku

S využitím vzorce pro PageRank „pročesal“ Google celou síť – a s ohromným úspěchem. Jenomže po triumfu se rychle vyrojili příživníci. Provozovatelé webových stránek mechanismus rychle prokoukli a začali své vlastní nabídky uměle protlačovat ve vyhledávačích nahoru. Důsledkem bylo, že se Google proti těmto spammerům začal bránit novými postupy. Proto je dnes PageRank jen jedním z mnoha faktorů, které ovlivňují pořadí, v jakém se webová stránka v seznamu nálezů Googlu objeví.
Přesto se dnes s PageRankem často zachází jako s měnou: „Když mi dáš dva odkazy na stránkách s PR 4, já ti dám odkaz na stránce s PR 5“. Tento přístup je však naivní a překonaný – prostá výměna odkazů nic nepřinese. Například odkaz ze stránky věnované psům na porovnání cen automobilů návštěvníkovi nijak nepomůže a ani u Googlu se nesetká se zvláštním ohlasem. Google totiž hodnotí relevantní odkazy výše než ty, u nichž spolu původ a cíl křížového odkazu nemají nic společného. Pokud tedy dostanete mail s nabídkou výměny odkazů, raději předem zkontrolujte, zda se nabízená stránka k té vaší hodí. Jen v případě kladné odpovědi se výměna vyplatí.
Ale vraťme se zpět k vyhledávacím algoritmům Googlu. PageRank je jen špičkou ledovce. Za ovládací plochou vyhledávače se skrývají desítky filtrů a vyhodnocovacích postupů pro webové stránky a výsledky hledání.

SEO: Optimalizace pro vyhledávač

Základní pravidlo optimalizace stránky pro vyhledávání (Search Engine Optimization) zní: „Dodej korektní kód a dobrý, co nejunikátnější obsah.“ Kdo se řídí těmito zásadami, má šanci, že se jeho webová stránka ocitne na předních místech seznamu nálezů.
„Korektní kód“ se týká dvou vlastností HTML kódu webové stránky. Jednak by měl být syntakticky správný, jednak by v něm měly být použity příslušné prvky HTML. Pro Google jsou důležité především značky (tagy)