PageRank 五实验复盘幂迭代 77 次收敛到 L1 差 4.92e-11 是什么概念“PageRank 就是谷歌排序算法”——对但面试里考的是你能不能用 numpy 从零写出来并回答三个追问迭代多少次收敛阻尼因子怎么选悬空节点不处理会怎样本文用五个实验把这三个追问全部量化回答全部数字来自 numpy 真实运行留档8 页图小网络到 1 万节点大网络。一、五实验总览实验内容实测E1幂迭代 vs 线性代数解77 次收敛L1 差4.92e-11E2容差扫描tol1e-04 → 29 次1e-10 → 77 次E3阻尼因子扫描d0.5 → 27 次d0.95 → 127 次E4spider trap 悬空节点修正后 138 次收敛泄漏分值 0.0375E51 万节点规模测试建图 0.27s迭代 91 次26.35s二、E1/E2收敛是按数量级计价的核心实现只有四行for_inrange(max_iter):newd*(M rank)(1-d)/nifnp.linalg.norm(new-rank,1)tol:breakranknew容差每收紧两个数量级迭代次数多 16 次左右29→45→61→77——幂迭代按几何速度收敛每轮把误差乘以大约 d。工程含义tol1e-06 对排序场景足够追求 1e-12 属于给自己买不来的精度。三、E3阻尼因子影响的是速度不是结论d 从 0.5 扫到 0.95迭代次数 27 → 127但Top3 排名全程稳定为 [0, 3, 2]。d 越大随机跳转越少、越贴近纯链接结构收敛越慢。0.85 之所以是经典默认值是速度与尊重链接结构的折中——不是精度魔法。四、E4悬空节点不处理PageRank 直接漏分4 页环 悬空节点的实验不处理悬空节点没有任何出链的页面它的分值会凭空消失全网 PageRank 和小于 1。修正方式是把悬空节点的分值均匀摊回全图实测修正后收敛 138 次悬空节点拿回 0.0375 分值。spider trap自环环组则靠 d 的随机跳转稀释——这就是 d 存在的第二层意义。五、E5一万节点 26 秒意味着什么1 万节点随机图numpy 建图 0.27 秒幂迭代 91 次收敛 26.35 秒。稠密矩阵乘是 O(n²) 每轮——百万节点级要换稀疏矩阵scipy.sparse或图分区并行。但作为理解算法的基准numpy 版是最诚实的参照系。六、面试速答模板收敛幂迭代几何收敛tol 每紧 2 个数量级多约 16 次8 页图实测阻尼影响速度不影响排序结论d 扫描 Top3 不变陷阱悬空节点摊回全图防泄漏spider trap 靠 d 稀释。五个实验的完整源码pagerank.py 约 150 行注释版 全部运行留档已打包跑一遍胜过背十遍。配套完整资源已整理上传点击查看资源包含 numpy 五实验源码与全部运行留档开箱即跑