佩奇排名是根据页面之间的链接结构计算页面的值的一种算法。下面我们通过动画来理解进行计算的具体流程。
假设一个正方形表示一个 WEB 页面，一个箭头表示一个页面之间的链接。
在佩奇排名算法中，网页指向的链接越多，页面被确定为越重要。
因此，在这里，确定首页最重要。
实际上，每个页面的重要性都是通过计算来量化的。
基本的计算方法思想1.未链接的页面分数为 1
2.有链接的页面得分为正在链接的页面的总得分
3.当有多个网页的链接时，链接分数均匀分布
4.来自高度链接网页的链接具有很高的价值
该图中心页面有三个独立页面指向它的链接，所以它的分数是 3 。
首页有一个很大的分数，因为链接是从分数为 3 的页面指向它的。
在动画中的六个页面中，判断最上面的页面是最重要的页面----这是佩奇排名的基本思想。
基本的计算方法思想的循环问题如果按照顺序来计算每个页面的分数时，那么就会出现问题：以这种方式计算，它将无限循环，并且在循环中的页面得分在任何地方都会很高。
循环的问题可以通过“随机游走模型”的计算方法来解决。
随机游走模型以小猪佩奇浏览网页为例。
小猪佩奇开始访问「五分钟学算法」中有趣的页面，那么从这个左下角页面开始。
它们跟随一个链接并移动到另外的一个页面，看了一些之后，发现不敢兴趣了，这样就停止了浏览。
然后，又一天，它在小吴的推荐下，在完全不同的页面进行浏览，跟随一个链接并移动到另外的一个页面，一旦失去兴趣就停止浏览。
像这样，重复从某个页面开始浏览，移动几页后便停止的操作，如果从互联网空间一侧进行观察，就像网页浏览的人：重复移动页面几次后传送到一个完全不同的页面。
量化随机游走模型假设 1 - α 代表选择当前页面中的一个链接的概率。
α代表该人将传送到其他页面的概率。
现在用 随机游走模型 处理上述的循环问题。
如果总页面访问次数达到1000次之后，使用百分比进行表示：那么这个值就表示“在某个时间点查看页面的概率”。
### 更实用的计算方法
如图所示，现在来尝试计算复杂的链接网络中每个页面的分数。
现在均匀设置分数，使总分加起来为 1 。而后根据网页浏览者的移动，来计算每个页面的概率。
移动 n 次时出现在 A 中的概率表示未 PAn，移动 n 次时出现在 B 中的概率表示未 PBn。
举一个例子，在移动 1 次之后求在 A 的概率 PA 1。
在 C 选择移动的概率是 1-α。