ページランク（PageRank）の全体像：概要・歴史・数理モデルとSEOへの影響
エバープレイ編集部ページランクとは — 概要と歴史
ページランク（PageRank）は、ウェブ上のページ同士のリンク構造を用いて各ページの「重要度」を定量化するアルゴリズムで、ラリー・ペイジ（Larry Page）とセルゲイ・ブリン（Sergey Brin）がスタンフォード大学で開発し、1998年に提案されました。Google の初期の検索結果ランキングの核となった指標の一つであり、リンクを「投票」や「推薦」の形で扱う点が特徴です。
考え方の直感 — リンクは投票
- あるページに多くのリンクが張られている＝多くのサイトから推奨されていると考える。
- しかし単純に被リンク数だけを見るのではなく、リンクを与えているページ自身の重要度（ページランク）を重みとして扱う。
- したがって、重要なページからのリンクは価値が高く、重要でないページからの多数のリンクより重視される。
数学的定義（基礎式）
ページランクは確率的なマルコフ連鎖として表現できます。あるページ u のページランク PR(u) は、典型的には次のように与えられます。
PR(u) = (1 − d)/N + d * Σ_{v∈B_u} PR(v) / L(v)
ここで：
- d はダンピングファクタ（通常 0.85 がよく使われる）で、ランダムサーファーがリンクに従って移動する確率を表す。
- N は全ページ数。
- B_u はページ u にリンクしているページ集合。
- L(v) はページ v から出る（有効な）リンク数。
この式は、ランダムサーファーがあるページにいるときに、確率 d でそのページのリンクからランダムに1つ選んで移動し、確率 (1−d) でランダムにどこかのページへジャンプする（テレポーテーション）というモデルに対応します。
行列形式と固有ベクトル解法
リンク構造を確率遷移行列 P として表すと、ページランクベクトル r は次の固有方程式の解となります。
r = d P^T r + (1 − d) v
ここで v はパーソナライズドジャンプの確率分布（通常は一様分布で 1/N）です。均一な v の場合、解は定常分布（固有値 1 に対応する固有ベクトル）になります。実用上は反復法（パワーイテレーション）を用いて r を求めます。
計算上の問題とその対処
- ダングリングノード（アウトリンクを持たないページ）:
アウトリンクがない行は遷移行列を非確率行列にしてしまうため、通常はダングリングノードから全ページへ一様に遷移するように補正するか、事前に行列を調整して取り扱います。
- 遷移行列の非既約性や周期性:
テレポーテーション（1−d）項により行列は非周期で既約（連結）に近くなり、定常分布が一意に定まることを助けます。
- 収束速度:
パワーイテレーションの収束速度は固有値スペクトルのギャップ（最大固有値と第2位の固有値の差）に依存します。実運用では数十〜数百回の反復や、初期ベクトルの工夫、加速法が使われます。
大規模ウェブでの実装上の工夫
ウェブ全体でのページランク計算は、エッジ数（リンク数）に比例する計算量とメモリが必要になります。Google が初期に用いたのは分散処理（MapReduce に類する手法）とスパース行列の扱いです。主な工夫は次の通りです。
- スパース行列とストリーミング処理でメモリ節約。
- 分散反復計算（複数マシンでのシャーディング / 集約）。
- 逐次更新や局所更新（全体再計算の省略）— 新しいページや変更の多い部分だけを重点的に再評価する手法。
- トピック感受性やパーソナライズド PageRank：特定トピックや利用者に対してジャンプ分布 v を変えることで、より関連性の高い「重要度」を計算する拡張。
派生・拡張（Personalized、Topic-sensitive、TrustRank 等）
- パーソナライズド PageRank:
テレポーテーションの分布 v を利用者や興味に依存した分布にすると、利用者固有の「重要度」ランキングが得られます（推薦システム等で利用）。
- トピック感受性 PageRank（Topic-sensitive PageRank）:
複数のジャンプベクトルを事前に計算し、検索クエリのトピックに応じて組み合わせる方法。クエリ依存性を持たせる工夫です。
- TrustRank:
スパムや悪質サイトの影響を下げるために、信頼できるシード集合からの伝播を重視する手法。
SEO（検索エンジン最適化）とページランクの関係
ページランクは被リンクの「質」を数値化するため、初期の SEO では重要視されました。ただし現代の検索エンジン（Google を含む）はページランクだけで順位を決定しているわけではなく、コンテンツの関連性、クエリの意図、ユーザー行動、ページの速度やモバイル対応、セマンティック信号など数百のシグナルを組み合わせています。
また、かつてはブラウザツールバーで公開されていた「Toolbar PageRank」値が SEO 指標として使われていましたが、現在は Google によって一般公開されておらず、公開されていた値も頻繁に更新されないなど限界がありました。被リンクの数だけでなく、リンク元の信頼性や文脈（アンカーテキスト等）、nofollow 属性の扱い、リンク購買やスパム対策も重要です。
限界と批判点
- リンクの買収やスパム（リンクファーム）による悪用の可能性。
- コンテンツの品質や文脈までは評価しきれない点。高品質だが被リンクの少ない新規サイトが不利になる可能性。
- 時間遅延：リンクの伝播や大規模再計算には時間がかかるため、リアルタイム性に欠ける。
- 単一の数値でページの「価値」を測るという考え方の限界—現代は多次元的評価が標準。
アルゴリズムとしての地位と変遷
ページランクは検索ランキング史における画期的なアイデアであり、リンク解析を用いることでウェブ検索の品質を大きく向上させました。しかし、その後の研究と実運用で、次のように発展・補完されてきました。
- HITS（Kleinberg）など、ハブとオーソリティのように別の構造を評価する手法の提案。
- トピックベースやパーソナライズド手法の導入。
- 機械学習ベースのランキング（学習 to rank）との組み合わせにより、多種多様なシグナルを統合。
実務上のまとめ（Web 開発者・SEO 担当者向け）
- 被リンクは依然として重要なシグナルだが、量より質（信頼性や関連性）が大事。
- 自然な被リンク獲得（良質なコンテンツの提供、コミュニティ参加、プレス等）が長期的に有効。
- nofollow や広告リンクなどの属性は検索エンジンが扱いを変えるため、リンク戦略は慎重に。
- サイト技術面（モバイル対応、ページ速度、構造化データ）やコンテンツ面（意図一致、網羅性、信頼性）も同等に重要。
結論
ページランクはリンクを通じてページの相対的重要性を数値化する強力な概念で、ウェブ検索の発展に大きく寄与しました。今日では PageRank 単独ではなく、多様な信号と組み合わせて用いられますが、リンクの意味を考える上での基本的な視点（「誰に評価されているか」が重要）は現在でも有効です。開発者や SEO 担当者は、被リンクの品質やサイト全体のユーザー体験を重視することが最終的に検索における評価向上につながります。
参考文献
- S. Brin and L. Page, "The PageRank Citation Ranking: Bringing Order to the Web" (1998)
- Wikipedia: PageRank
- J. Kleinberg, "Authoritative Sources in a Hyperlinked Environment" (HITS, 1999)
- A. N. Langville and C. D. Meyer, "Google's PageRank and Beyond" (SIAM, 2006)
投稿者プロフィール
