PageRank

Illustration du PageRank.

Le PageRank^{[note 1]} ou PR est l'algorithme d'analyse des liens concourant au système de classement des pages Web utilisé par le moteur de recherche Google. Il mesure quantitativement la popularité d'une page web. Le PageRank n'est qu'un indicateur parmi d'autres dans l'algorithme qui permet de classer les pages du Web dans les résultats de recherche de Google. Ce système a été inventé par Larry Page, cofondateur de Google. Ce mot est une marque déposée.

Fonctionnement

Le PageRank d'une page a tendance à être d'autant plus élevé que la somme des PagesRanks des pages qui pointent vers elle est élevée.

Le principe de base est d'attribuer à chaque page une valeur (ou score) proportionnelle au nombre de fois que passerait par cette page un utilisateur parcourant le graphe du Web en cliquant aléatoirement, sur un des liens apparaissant sur chaque page. Ainsi, une page a un PageRank d'autant plus important qu'est grande la somme des PageRanks des pages qui pointent vers elle (elle comprise, s'il y a des liens internes). Le PageRank est une mesure de centralité sur le réseau du web.

Plus formellement, le déplacement de l'utilisateur est une marche aléatoire sur le graphe du Web, c'est-à-dire le graphe orienté dont les sommets représentent les pages du Web et les arcs les hyperliens. En supposant que l'utilisateur choisisse chaque lien indépendamment des pages précédemment visitées (le réalisme d'une telle hypothèse pouvant être discuté), il s'agit d'un processus de Markov. Le PageRank est alors simplement la probabilité stationnaire d'une chaîne de Markov, c'est-à-dire un vecteur de Perron-Frobenius de la matrice d'adjacence du graphe du Web^[1],[2]. La taille (gigantesque) de ce graphe et son évolution dynamique (modifications de pages et hyperliens, connexion ou déconnexion de serveur web…) rendent cependant impossible un calcul direct de ce vecteur propre : des algorithmes d'approximation sont utilisés.

De nombreuses corrections et améliorations ont été apportées à cet algorithme, certaines étant décrites dans le brevet déposé le 17 avril 2007^[3], d'autres ne restant connues que de Google. En particulier, il est important de garantir que des modifications trop locales du graphe du Web n'entraînent pas d'augmentation disproportionnée du PageRank de certaines pages, ceci afin d'éviter que des utilisateurs (par exemple des sites commerciaux) ne "boostent" artificiellement leur PageRank. Par exemple, dans l'algorithme de base décrit ci-dessus, ajouter de nombreux liens internes sur une page Web (ce qui est très simple à faire pour un particulier) permet d'augmenter son PageRank (cette stratégie ne marche pas avec le PageRank actuel de Google).

Les internautes peuvent obtenir une approximation du classement de chaque page en consultant la zone PageRank de la barre d'outils Google, qui indique sa valeur sur une échelle de 0 à 10 (Échelle logarithmique). Il existe aussi de nombreux outils pour l'obtenir sans afficher la toolbar. À noter que le pagerank affiché dans la toolbar n'est plus actualisé, il est impossible de le connaître désormais. Ainsi, certaines société privé telles que Moz et Majestic SEO tentent de s'en approcher par le biais de leurs indicateurs (citation flow, trust flow, Domain authority, page authority) afin d'avoir une idée du PageRank Réel et permettent aux webmaster de comparer les différents sites^{[réf. souhaitée]}.

Propriété intellectuelle

Le premier brevet (intitulé Method for Node Ranking in a Linked Database)^[4], déposé en janvier 1997 et enregistré le 9 janvier 1998, est la propriété de l'Université Stanford^[5], qui a octroyé la licence de cette technologie à Google en 1998 (amendée en 2000 et 2003), deux mois après sa fondation. Il s'agit d'une licence exclusive jusqu'en 2011, l'exclusivité prenant fin à cette date^[6].

Les recherches qui ont abouti au développement de la technologie du PageRank ont été financées en partie par la National Science Foundation^[7]. Il est donc précisé dans le brevet que le gouvernement a certains droits sur cette invention^[8].

La course aux liens

Les référenceurs et les webmestres créent quelquefois massivement des liens retour, par échanges de liens ou en inscrivant un site sur une quantité d'annuaires. Google avait autrefois une vision quantitative de la popularité d'une page, cette technique permettait donc de gonfler artificiellement son indice de popularité. Mais Google a réagi : d'une part en instaurant des filtres, tels que la Sandbox. Il détecte et sanctionne les campagnes massives de liens artificiels ; par ailleurs il intègre des critères qualitatifs à l'analyse des liens (sémantique, confiance : indice TrustRank, comportement des utilisateurs).

Principaux critères du score d'une page web

Selon le brevet Google, ces critères sont :

• les liens entrants et sortants ;
• les ancres ;
• le trafic associé à la page ;
• le comportement des internautes : le choix de la page dans les résultats ;
• le nom de domaine.

Le TrustRank

C'est un critère d'autorité accordé aux pages, du fait que l'auteur dispose d'une qualité de sérieux et de compétence reconnue. Ce critère est associé aux sites gouvernementaux, et aux sites de référence tels le W3C. Le terme TrustRank vient de Yahoo! et non pas de Google, qui cependant inclut aussi un critère de confiance dans le calcul du positionnement.

Le PageRank thématique

Le monde du référencement s'accorde à dire aujourd'hui que Google a introduit des valeurs sémantiques dans le calcul du PageRank ^[9] . Le vote d'une page vers une autre, représenté par un lien, est impacté par la thématique de la page émettrice. Le corpus de mots utilisés influence le classement d'une page dans les résultats du moteur de recherche, mais aussi la valeur des liens qu'elle transmet.

nofollow

La valeur nofollow de l'attribut HTML rel a été définie par Google en 2005, hors des processus normatifs du W3C. Selon Google, un lien ainsi qualifié dans une page Web ne transmet aucune valeur de PageRank aux pages ainsi liées^{[10] [2]}. Le 15 juin 2009, Matt Cutts, responsable de qualité de l'index de Google, a annoncé^[11] un changement de traitement des liens en nofollow. Ce type de lien continuera à être ignoré mais sera indirectement pris en compte dans la formule de calcul. Ce changement de traitement est une réaction à l'usage abusif effectué par les webmasters (PageRank Sculpting). D'une manière générale, la nouvelle formule prend en compte tous les liens présents dans une page (même les liens javascript^[12] ou publicitaires).

Futur PageRank

Beaucoup d'outils proposent de calculer le futur classement d'une page après le prochain passage du googlebot. Ces outils ne sont pas fiables car ils se basent uniquement sur la valeur « RK » de la somme de contrôle de Google. L'utilité de cette donnée n'est connue que de Google et n'a rien à voir avec un futur PageRank, sauf sur les analyses transactionnelles.

La balise Canonical

La balise Canonical^[13] qui doit être incluse entre <head></head> permet de faire le tri entre plusieurs pages qui ont le même contenu et donner aux moteurs de recherche qu'une seule page à crawler. On va alors transférer la valeur des doublons à une seule page, la page canonique. La balise canonique peut aussi être utilisée d'un site A vers un site B.

Sources

• Sergey Brin et Lawrence Page : The anatomy of a large-scale hypertextual Web search engine, Université Stanford, 1998.
• Pasquinelli Matteo et al., in Yves Citton, L'économie de l'attention: Chapitre 9. Google PageRank : Une machine de valorisation et d'exploitation de l'attention^[14] , 2014.
• Dominique Cardon: Dans l'Esprit du PageRank - Une Enquête sur l'algorithme de Google, La Découverte, 2013.
• Henk Van Ess: Da Google Code - Cessez de chercher, commencer par trouver, 2010. [15]
• Bruno-Bernard Simon: Vos recherches avec Google^[16], 2014

Notes et références

Liens externes

• Technologie Google Vue d'ensemble sur la technologie du moteur de recherche.
• (en) Web PageRank prediction with Markov models Michalis Vazirgiannis, Dimitris Drosos, Pierre Senellart, Akrivi Vlachou - Research paper

• Portail de l’algorithmique
• Portail de Google