Що таке PageRank — це підхід до оцінювання важливості сторінок за структурою посилань у спрямованому графі. У початковій моделі сторінка отримує більший результат, коли на неї ведуть інші важливі сторінки, а їхній внесок розподіляється між вихідними лінками. PageRank став однією з основ раннього Google, проте опублікована формула не є повним описом сучасної системи ранжування.
Вхідний лінк від важливого вузла у графі має інший зміст, ніж просте збільшення лічильника посилань.
Назва походить від прізвища Ларрі Пейджа та водночас вдало описує ранжування вебсторінок. Алгоритм не оцінював сторінку ізольовано: він аналізував мережу рекомендацій між документами. Це дозволило відрізняти авторитетні вузли від сторінок, які просто багато разів повторювали ключові слова.
Що таке PageRank простими словами?
PageRank можна уявити як модель випадкового переходу по вебу. Умовний користувач відкриває сторінку, іноді натискає один із доступних лінків, а іноді переходить до випадкового документа. Сторінки, на яких такий маршрут частіше опиняється після багатьох кроків, отримують вищу стаціонарну ймовірність.
Це не голосування за принципом «одне посилання — один однаковий бал». Вага голосу залежить від значення сторінки-джерела та кількості напрямків, між якими в моделі розподіляється її внесок. Саме тому посилальний граф потрібний для розуміння PageRank: окремий лінк має сенс лише разом з іншими вузлами й ребрами. Підрахунок беклінків без структури не відтворює цю логіку.
Як виник алгоритм PageRank?
У 1998 році Сергій Брін і Ларрі Пейдж описали пошукову систему, яка активно використовувала структуру гіпертексту. Посилання трактувалися подібно до цитувань у наукових роботах: рекомендація від уже важливого документа могла бути інформативнішою за випадкову згадку. Така модель доповнювала аналіз тексту сторінки.
Історичне першоджерело важливе, бо відділяє математичну ідею від пізнішої SEO-термінології. Воно не стверджує, що будь-яка сучасна позиція визначається лише одним числом. У публікації Google Research описано ранню архітектуру пошуку та роль структури посилань, але сучасні системи за десятиліття суттєво розширилися. Тому формула корисна для навчання й моделювання, а не для точного прогнозу SERP.
З яких частин складається формула PageRank?
У нормалізованому навчальному варіанті результат сторінки складається з базової ймовірності випадкового переходу та суми внесків від сторінок, які на неї посилаються. Кожен внесок враховує PageRank джерела, кількість його вихідних лінків і damping factor. Значення перераховуються багаторазово до збіжності.
Перед використанням формули важливо зафіксувати її припущення. У різних публікаціях трапляються еквівалентні після нормалізації записи, а спосіб обробки сторінок без вихідних лінків може відрізнятися. Основні позначення такі:
- PR(A): оцінка цільової сторінки A;
- T: сторінка, що має лінк на A;
- C(T): кількість вихідних переходів зі сторінки T у спрощеній моделі;
- d: damping factor — імовірність продовжити маршрут за лінком;
- (1 − d): частка випадкового переходу, яка не дає моделі замкнутися в одному циклі.
Число 0,85 часто використовується в підручниках як ілюстративне значення `d`. Воно не повинно подаватися як підтверджене поточне налаштування Google, а результат локального розрахунку не є значенням із внутрішніх систем пошуку.
Внесок джерела ділиться на кількість його вихідних лінків, а значення перераховуються до стабілізації.
Навіщо потрібен damping factor?
Без випадкового переходу замкнена група сторінок могла б накопичувати оцінку всередині циклу. Інша проблема виникає у dangling node — сторінки без вихідних лінків, яка не передає ймовірність далі. Damping factor і правило перерозподілу допомагають отримати стійку модель для всього графа.
Метафора «випадкового серфера» пояснює математику, але не означає, що Google просто вимірює реальні кліки конкретної людини. Це модель переходів по графу. Вона додає невелику ймовірність опинитися на інших сторінках і завдяки повторним обчисленням знаходить стабільний розподіл.
Чому PageRank обчислюється ітераційно?
Результат кожного вузла залежить від результатів інших вузлів, які теж залежать від своїх сусідів. Тому значення задаються початково, перераховуються для всіх сторінок і знову використовуються в наступному раунді. Процес триває, доки зміни не стануть достатньо малими за вибраним критерієм.
Один прохід не показує повного ефекту довших маршрутів. Після кількох ітерацій внесок проходить через проміжні сторінки, цикли та кластери. Саме так стає видно, чому вузол із двома сильними джерелами може отримати вищу оцінку за вузол із багатьма слабкими входами.
Як розрахувати PageRank на простому прикладі?
Для навчального графа достатньо чотирьох сторінок і таблиці їхніх вихідних лінків. Спочатку кожному вузлу надається однакова частка, далі для кожної цілі підсумовуються внески джерел і додається базова частина випадкового переходу. Після кількох раундів значення наближаються до стабільного співвідношення.
Розрахунок має пояснювати напрямок, а не створювати фальшиву точність. Якщо змінити один лінк, у наступних ітераціях зміняться й сусідні вузли. Практична послідовність виглядає так:
- зібрати список індексованих або принаймні доступних URL, які входять у модель;
- побудувати матрицю спрямованих переходів між ними;
- обрати навчальний damping factor і правило для dangling nodes;
- задати однакові стартові значення та виконати повторні ітерації;
- зупинити обчислення після досягнення визначеної похибки;
- інтерпретувати результат разом зі статусами, canonical, depth і призначенням сторінок.
Локальна модель корисна для порівняння структури до й після зміни. Вона не знає повного вебграфа Google, прихованих системних коефіцієнтів і всіх сигналів ранжування, тому її числа залишаються внутрішнім діагностичним інструментом.
Зворотне ребро D → A замикає цикл, тому зміна одного лінка перераховує весь пов’язаний граф.
Як внутрішні посилання впливають на локальний PageRank?
Внутрішні лінки визначають маршрути всередині домену й допомагають розподіляти отриману ззовні важливість між сторінками. Вузол, який має лише посилання з глибокої пагінації, зазвичай виглядає слабшим у локальній моделі за сторінку, доступну з хаба та релевантних матеріалів. Проте кількість входів не повинна бути самоціллю.
Сильна сторінка не має без причини посилатися на кожну URL сайту. Внутрішній граф повинен підтримувати ієрархію, тематичні кластери та реальні маршрути. Правильно спроєктоване внутрішнє посилання одночасно допомагає переходу, дає зрозумілий анкор і з’єднує релевантні документи. Такий зв’язок корисніший за механічний список усіх сторінок у футері.
Цікавий факт: сторінка-сирота може бути відома пошуковій системі через sitemap або зовнішній беклінк, але все одно не мати вхідного ребра у внутрішньому графі сайту. Це різні діагностичні стани, тому crawl і звіт про індексацію відповідають на різні питання.
Чи передає nofollow PageRank?
Стара коротка відповідь «ніколи не передає» більше не є достатньо точною. Google повідомив, що `nofollow`, `ugc` і `sponsored` розглядаються як підказки щодо того, які лінки враховувати або виключати. У більшості випадків такі лінки не використовуються як звичайна редакційна рекомендація, але атрибут не варто описувати як математично гарантований нуль.
Для реклами використовується `sponsored`, для користувацького контенту — `ugc`, а `nofollow` доречний, коли інші значення не підходять і немає бажання рекомендувати ціль. Внутрішнім nofollow не слід намагатися «ліпити» PageRank за простою схемою. В офіційному поясненні Google усі три атрибути названо підказками, тому технічна реалізація має відповідати реальним відносинам. Для блокування індексації існують інші механізми.
Чи можна побачити PageRank сторінки сьогодні?
Публічний Toolbar PageRank більше не є доступним способом перевірки. Google не надає сучасного відкритого бала PageRank для кожної URL. Тому будь-який сервіс, який показує власну оцінку авторитетності, створює сторонню метрику на основі свого індексу та формули.
DR, UR, DA, Citation Flow і Authority Score корисні для порівняння в межах одного інструмента. Вони не є внутрішнім PageRank Google й не повинні змішуватися між собою. Для практичного аудиту значно надійніше поєднати дані crawler, Search Console, беклінки, статуси URL та ручну оцінку релевантності.
Важливо: високий бал стороннього сервісу не гарантує позицію або якість донора. Метрика залежить від власного індексу, а Google оцінює сторінку за значно ширшим набором систем і сигналів.
Як використовувати PageRank у SEO-аудиті?
Спочатку будується повний внутрішній граф із фінальними URL, а редиректи, канонічні дублікати, 4xx і заблоковані ресурси позначаються окремо. Потім обчислюється локальна модель і порівнюється з бізнес-пріоритетом сторінок. Розрив між очікуваною важливістю та структурним результатом стає приводом для перевірки, а не автоматичним діагнозом.
Якщо пріоритетна категорія має малу кількість доречних inlinks і велику глибину, перевіряються хаби, меню та контекстні переходи. Якщо інформаційна стаття штучно отримує найбільше зв’язків через шаблон, переглядається роль блоку. Поняття Link equity допомагає описати цей розподіл без удаваної точності. Після змін crawl і модель запускаються повторно, а результат перевіряється за поведінкою сайту та даними пошуку.
Що таке PageRank у практичному висновку?
Що таке PageRank, найкраще показує спрямований граф, де важливість приходить не від сирої кількості, а від мережі зв’язків. Історична формула пояснює ітерації, damping factor і розподіл внеску між вихідними лінками. Вона залишається корисною моделлю для аудиту, але не розкриває всі сучасні системи Google.
SEO-рішення мають спиратися на структуру, доступність, релевантність і користь переходу. Локальний PageRank допомагає знаходити ізольовані або структурно недооцінені сторінки, якщо його читають разом з іншими даними. Спроба перетворити його на єдиний рейтинг повертає аналіз до спрощень, які сам алгоритм колись допоміг подолати.
Читайте також
