В точности как на этом скриншоте:

Корректность RSS-потока можно проверить тут или тут.
Похожие записи:

• Второй отчет по эксперименту с индексацией
• Удаление не пустого каталога по FTP
• Обновление дизайна и функционала.
• Запущен скрипт мониторинга
• Бан Яндексом

Метки: «Яндекс» , «Blogs» , «BL» , «Yandex»

Мое письмо в Yandex.Addurl:
Здравствуйте! Я приобрел домен и хочу разместить на нем новый проект, до этого там был другой сайт который за «оптимизацию» получил бан. У меня вопрос, возможен ли разбан домена при смене владельца, т.е. я не хочу выбрасывать домен и буду размещать на нем проект для людей.

Ответ не заставил себя долго ждать:
Здравствуйте, Александр! Если на сайте, будет располагаться только уникальный, ориентированный на посетителей контент, то возвращение этого сайта в поиск, после повторной проверки алгоритмами – возможно.

Как видим, бан может быть не пожизненным, я уже придумал очередной эксперимент, буду пытаться разбанить несколько своих доменов, когда придумаю что буду делать, распишу подробнее.Похожие записи:

• Сайты в индексе Яндекса
• Яндекс Vs Google
• Новый Яндекс.ТОП
• Поздравляем! Ваш блог добавлен в Яндекс.Каталог
• Яндекс начал узнавать стихи

Метки: «домен» , «Yandex» , «Яндекс»

• Наконец-то свершилось :)
• Новый Яндекс.ТОП
• Лето не за горами, что-то надо делать.
• Регистрация в каталогах
• Топ 10 поисковых запросов за месяц

1. Флеш плеер — 28 человек, статья.
2. Как повысить bl? — 20 человек, статья.
3. Паспорт (+ загран паспорт 2) — 19 человек, заметка.
4. Блог php (+ php блог 6) — 11 человек, собственно сам блог.
5. Блог php программиста — 7 человек, собственно сам блог.
6. Повышение bl — 5 человек, статья.
7. Повысить bl — 4 человека, статья.
8. Блог программиста — 4 человека, собственно сам блог.
9. Sql dump splitter — 3 человека, статья.
10. Как не уставать? — 3 человека, статья.

В будущем планирую «отвечать» на поисковые запросы, заданные в форме вопроса, например, «Как работать и не уставать?».Похожие записи:

• Тело это храм?
• Наглядный пример
• Машина становится предметом роскоши?
• Регистрация в поисковых системах
• Мечты не сбудутся

Метки: «BL» , «паспорт» , «Ru» , «php»

Цитаты:
Сегодня апдейт тица.
Результаты:
0-20
0-10
0-10
где обещанные 60? и это при том что сайты еще по каталогам прогонялись…

Еще одна:
у меня +10
старые, кто поднялся на блогах, проседают.

И на последок:
П**дец, Ап. На одном сайте только +10 на остальных по нулям. 420$ в воздух улетели!

Даже если бы он и давал +60 в первый ап, мне пришлось бы хорошо подумать, прежде чем принять решение о его приобретение и вопрос не в завышенной стоимости скрипта, а в последствиях для меня и моих сайтов. Во-первых это чистый спам, за который хостер меня забанит, во-вторых Яша после очередного «фильтра» или «алгоритма» понизит пузомерку, если просто не выкинет из поисковой выдачи, в-третьих я ненавижу спамеров и не хочу метериально поощрять их деятельность, поэтому отрубил линки в коментариях и сделал их анонимными.
-
ЗЫ на сэкономленные деньги накупил ссылок в Ксапе.
-

• События кардинально изменившие мою жизнь.
• Комментирование в один клик
• Межсайтовый скриптинг
• Новый Гугл Хром
• О высшей материи

Метки: «php» , «Ru»

• Движок для сайта «Антивирусных программ»
• Очередной эксперимент
• Первый отчет по второму эксперименту
• Про сегодня
• Как бы мэйнстрим

Метки: «продвижение»

Так, например, чтобы получить PR 7, нужно хотя бы 3 ссылки с PR8 или полтысячи ссылок с PR5. При грамотной перелинковке (правильная схема ссылок на внутренние страницы и главную внутри одного сайта) результат можно получить значительнее быстрее.

Не забывайте, что PR ссылающихся страниц – это коэффициент, который не напрямую влияет на позиции сайта в поисковой системе. Не меньше, чем PR, на положение вашего сайта влияет текст ссылок (анкор), количество внешних ссылок на ссылающихся страницах, меньшее значение играет содержание ваших страниц. Все эти факторы (а также, некоторые другие, например, возраст сайта) нужно учитывать для того, чтобы попасть в топ-10 по сложному запросу.Похожие записи:

• Первый есть!
• Форум о компьютерных играх
• Межсайтовый скриптинг
• Регистрация в поисковых системах
• Яндекс начал узнавать стихи

Метки: «Page Rank» , «Ru» , «PR»

Если рассматривать поведение абстрактного пользователя сети, который нажимает на ссылки случайным образом и при этом в любой момент может закрыть браузер и прекратить просмотр по каким-либо причинам, то здесь естественным образом возникает вопрос, с какой вероятностью случайный пользователь попадет на ту или иную страницу и от чего эта вероятность зависит. Очевидно, что если на страницу нет ни одной ссылки, то ни уйти с нее, ни попасть на нее практически невозможно. Также если все страницы сети ссылаются на какую-то одну, то вероятность просмотра такой страницы пользователем значительно повышается. При этом вероятность посещения страниц, на которые в свою очередь будет ссылаться эта, тоже повысится. Таким образом, вероятность просмотра страницы зависит от количества ссылок на нее и от вероятности просмотра страниц ссылающихся на нее. Видимо, именно для расчета вероятности посещения страницы был разработан алгоритм PageRank.

Реализация алгоритма расчета PageRank неизвестна наверняка, но общий принцип самого алгоритма был опубликован в статье «The Anatomy of a Large-Scale Hypertextual Web Search Engine».

Для расчета PageRank используется следующая формула:

PR(A) = (1-d) + d∙ ( PR(T1)/C(T1) + … + PR(TN)/C(TN)) (1),

где PR(A) – PageRank страницы А;

T1… Tn – страницы, ссылающиеся на А;

C(T1) – количество ссылок страницы T1;

d – коэффициент затухания, находится в пределах от 0 до 1, обычно равен 0,85.

Также на PageRank наложено ограничение:

∑PRj = N, j=1…N (2),

где N – количество страниц в сети.

Данное условие следует из того, что сумма всех вероятностей не может превышать единицу, т.е. вероятность пребывания на данной странице равна отношению значения PageRank к числу всех страниц.

Для учета вероятности того, что пользователь закроет страницу, введен коэффициент затухания d.

Расчет PageRank помогает учитывать индивидуальность каждой страницы сети. Также один из плюсов PageRank заключается в том, что в связи со сложностью алгоритма его расчета на него практически невозможно влиять искусственным образом.

Рассмотрим расчет PageRank для простейшей сети, состоящей из четырех страниц (рис. 1).

Рис. 1.

Пусть изначально PageRank всех страниц равен 1.

Теперь посчитаем значения PageRank на первом шаге, используя (1):

PR(A) = (1-0,85) + 0,85∙ ( PR(B)/1 + PR(C)/1).

Затем подставим в формулу PR(B) и PR(C) равные 1:

PR(A) = 0,15 + 0,85∙ ( 1/1 + 1/1) = 1,85.

Для B:

PR(B) = (1-0,85) + 0,85∙ ( PR(A)/3 + PR(D)/1) = 0,15 + 0,85∙ ( 1/3 + 1/1) = 1,28333.

Для C:

PR(C) = (1-0,85) + 0,85∙ ( PR(A)/3) = 0,15 + 0,85∙ ( 1/3) = 0,43333.

Для D:

PR(D) = (1-0,85) + 0,85∙ ( PR(A)/3) = 0,15 + 0,85∙ ( 1/3) = 0,43333.

В результате мы получили новые значения PageRank для всех страниц.

Теперь посчитаем значения PageRank на втором этапе:

PR(A) = 0,15 + 0,85∙ ( PR(B)/1 + PR(C)/1)

Здесь мы опять подставим PR(B) и PR(C), но уже равные не 1, а их значения, полученные на предыдущем шаге:

PR(A) = 0,15 + 0,85∙ (1,28333/1 + 0,43333/1) = 1,609.

Для остальных страниц:

PR(B) = 0,15 + 0,85∙ ( PR(A)/3 + PR(D)/1) = 0,15 + 0,85∙ (1,85/3 + 0,43333/1) = 1,425.

PR(C) = 0,15 + 0,85∙ ( PR(A)/3) = 0,15 + 0,85∙ ( 1,85/3) = 0,674.

PR(D) = 0,15 + 0,85∙ ( PR(A)/3) = 0,15 + 0,85∙ ( 1,85/3) = 0,674.

Таким образом, мы получили значения PageRank на втором шаге, которые будут использоваться при расчете значений PageRank на третьем шаге. Затем необходимо проделывать эту операцию снова и снова, используя каждый раз значения PageRank рассчитанные на предыдущем этапе.

Смысл заключается в том, что нам придется проделать достаточно большое количество шагов (чем больше страниц в системе, тем больше будет количество шагов) и в результате после какого-то шага n на всех последующих шагах, начиная с n+1, значения PageRank будут неизменными. Для нашего примера достаточно проделать 10 шагов, чтобы значения PageRank выглядели следующим образом:

PR(A) = 1,637;

PR(B) = 1,136;

PR(C) = 0,614;

PR(D) = 0,614.

На 11 шаге, используя эти значения, мы получим новые PR, которые будут равны этим. На 12, 13, …,т.е. на всех последующих этапах произойдет тоже самое. Таким образом, можно сказать, что это и есть значения PageRank для данной системы. Сумма всех PR равна 4, т.е. условие (2) выполняется.

Также PageRank можно рассчитать не итерационным методом, как это сделано выше, а матричным.

Для этого составляется матрица следующего вида:

Данная матрица соответствует нашей простейшей сети (Рис.1.), т. е. страница A ссылается на B, C, D. Страница B ссылается на A. Страница C ссылается на А и D ссылается на В. При этом значения каждой строки делятся на количество ссылок данной страницы. Т.е. значения строки А поделены на 3, а значения всех остальных строк поделены на 1.

Данную матрицу необходимо умножить на значения PR предыдущего шага, полученный вектор умножить на единичный вектор, умноженный на d, и прибавить к результату единичный вектор, умноженный на (1-d).

После расчета мы видим, что страница A имеет самый высокий PR в нашей сети, страница B – более низкий, т.е. вероятность попасть на страницу A больше всего. Поэтому если все четыре страницы, будут по содержанию соответствовать какому-то запросу поиска, то несмотря на достаточно похожее содержание страниц, после учета значений PR, страница A окажется на первом месте, B – на втором, а C и D – на третьем.
Поскольку PageRank, имеет отношение к вероятности просмотра страниц, то для лучшего понимания, стоит обратиться к такому разделу теории случайных процессов как теории Марковских процессов.

Под Марковским процессом подразумевается процесс, для которого вероятность находиться в данном состоянии, на данном этапе процесса можно вывести из информации о предшествующем состоянии. Цепью Маркова называется Марковский процесс, для которого каждое конкретное состояние зависит только от непосредственно предыдущего. Число состояний цепи Маркова конечно, а вероятности перехода из одного состояния в другое не зависят от времени.

Следуя из определения можно сказать, что рассматриваемый нами процесс поведения абстрактного пользователя сети является Марковским, и даже более того, является Цепью Маркова.

Теперь рассмотрим, какие условия определяют цепь Маркова:

Во-первых, у цепи имеется матрица вероятностей перехода:

где pij – вероятность перехода из состояния i в состояние j за один шаг процесса.

Матрица (3) обладает следующими свойствами:

а) ∑pij = 1 j=1…N. (свойство, вытекающее из замкнутости системы);

б) pij ³ 0 » i,j.

Во-вторых, у цепи Маркова имеется вектор начальных вероятностей, который описывает начальное состояние системы:

P(0) = < P01, P02,..,P0n > (4)

Обозначим шаги (этапы) процесса за t = 0, 1,…..

Если P(0) это вектор начальных вероятностей, то P(t) – это вероятностный вектор на шаге t. Значение P(t+1) зависит от P(t). Формула расчета в матричном виде выглядит следующим образом:

P(t+1) = P(t) ∙P (5).

Отсюда следует, что:

P(t) = P(0) ∙Pt (6).

В теории цепей Маркова показано, что в пределе, при t стремящемся к бесконечности, вероятности состояний стремятся к определенным предельным значениям, которые удовлетворяют соотношению:

P(*)=P(*)∙P (7).

Из (7) становится очевидным, следующее важное свойство предельных векторов вероятностей P(*). Заключается оно в том, что P(*) является единственным и не зависит от вектора начальных вероятностей P(0) и определяются только матрицей вероятностей перехода.

Теперь рассмотрим применение данной теории для системы из нашего примера (Рис. 1. Часть I).

Матрица вероятностей перехода будет выглядеть следующим образом, т.е. также как и матрица при расчете PageRank матричным способом:

Первая строка матрицы свидетельствует о следующем: со страницы A можно перейти на B, C, и D. Вероятность того, что после A пользователь выберет C равна 1/3. Вероятность выбора D или C тоже равна 1/3.

Вторая строка значит, что со страницы B можно попасть только на A, вероятность этого перехода равна 1. Третья строка – с C можно попасть только на A, вероятность перехода равна 1. Четвертая строка – с D можно попасть только на B, вероятность перехода равна 1.

Для нашей системы вектор начальных вероятностей выглядит следующим образом (поскольку в нашей сети четыре страницы и пользователь может оказаться на люьбой из них с одинаковой вероятностью):

P(0) = < 1/4, 1/4, 1/4, 1/4>.

Для расчета вектора P(1) применим формулу (5), т.е. P(0) умножим на матрицу вероятностей перехода. Получим P(1) = <0,5; 0,3333; 0,0833; 0,0833>.

Для вектора P(2) формула (5) имеет следующий вид: P(2) = P(1) ∙P. После расчета получаем значения P(2) = <0,4167; 0,25; 0,167; 0,167>.

Рассчитывая значения P(t) по формуле (5) мы найдем t, для которого выполняется равенство (7). Т.е. мы рассчитаем значение предельного вектора вероятностей P(*), который не зависит от вектора начальных вероятностей P(0) и определяется только матрицей вероятностей перехода.

В нашем случае P(*) = <0,429; 0,286; 0,143; 0,143>.

Таким образом, после достаточно большого количества переходов со страницы на страницу уже не имеет значения с какой страницы пользователь начал просмотр, поскольку в результате он окажется на странице A с вероятностью 0,429, на странице B с вероятностью 0,286, на страницах C и D с вероятностями 0,143 (или можно сказать, что 42% пользователей будут на странице A, 29% будут на странице B и на страницах C и D будет по 14% посетителей).

Теперь с полученным вектором P(*) произведем следующие действия:

0.85∙4P(*) + (1-0,85)

Проведем расчеты:

Для А: 0,85∙4∙0,429 + 0,15 = 1,607.

Для B: 0,85∙4∙0,286 + 0,15 = 1,12.

Для C: 0,85∙4∙0,143 + 0,15 = 0,635.

Для D: 0,85∙4∙0,143 + 0,15 = 0,635.

Получается что, рассчитав предельный вектор вероятностей P(*), умножив его на единичный вектор, умноженный на 4d, и прибавив к нему единичный вектор, умноженный на (1-d), мы получили значении практически равные значениям PR, рассчитанным в первой части статьи.

Сравним два алгоритма (расчет PageRank матричным способом и нахождение предельного вектора P(*) Цепи Маркова) в общем случае. Различие заключается лишь в том, что при расчете значений PR за начальный берется единичный вектор и вводится зависимость PR от коэффициента затухания. А для расчета P(*) начальный вектор состоит из значений 1/N, где N – количество страниц. Именно поэтому, умножив полученный вектор P(*) на N и d, а также прибавив (1-d) мы получили значения близкие к значениям PR.Похожие записи:

• Второй отчет по эксперименту с индексацией
• Page Rank
• Про сегодня
• Наглядный пример
• Первый отчет по второму эксперименту

Метки: «Google» , «Ru» , «Дорвеи» , «Цепи Маркова»

На сегодня всё!Похожие записи:

• 20 интернет-миллионеров, которым нет 30 лет
• Сайты которыми я часто пользуюсь
• Наконец-то свершилось :)
• Шароварные игры
• Второй отчет по эксперименту с индексацией

Метки: «Яндекс» , «Бегун» , «Ru» , «Yandex»

• Мэйл.ру
• Яндекс
• Дмоз
• Рамблер ТОП100

Похожие записи:

• Регистрация в поисковых системах
• Некоторые интересные факты
• Наконец-то свершилось :)
• Сайты которыми я часто пользуюсь
• Свершилось! Новая ось от Гугла.

Метки: «Яндекс» , «Yandex» , «каталоги» , «регистрация»

• Яндекс
• Рамблер
• ГоГо
• ВебАльта
• Гугл
• Яху

Похожие записи:

• Регистрация в каталогах
• Наконец-то свершилось :)
• Некоторые интересные факты
• Яндекс Vs Google
• Сайты которыми я часто пользуюсь

Метки: «BL» , «Yandex» , «регистрация» , «Wm»