salsa演算法的初衷希望能夠結合pagerank和hits演算法兩者的主要特點，既可以利用hits演算法與查詢相關的特點，也可以採納pagerank的「隨機遊走模型」，這是salsa演算法提出的背景。由此可見，salsa演算法融合了pagerank和hits演算法的基本思想，從實際效果來說，很多實驗資料表明，salsa的搜尋效果也都優於前兩個演算法，是目前效果最好的鏈結分析演算法之一。
pagerank的計算物件是網際網路所有網頁，salsa演算法與此不同，在本階段，其與hits演算法思路大致相同，也是先得到「擴充網頁集合」，之後將網頁關係轉換為二分圖形式。
擴充網頁集合
salsa演算法在接收到使用者查詢請求後，利用現有搜尋引擎或者檢索系統，獲得一批與使用者查詢在內容上高度相關的網頁，以此作為「根集」。並在此基礎上，將與「根集」內網頁有直接鏈結關係的網頁納入，形成「擴充網頁集合」（參考圖6.4.3-1）。之後會在「擴充網頁集合」內根據一定鏈結分析方法獲得最終搜尋結果排名。
轉換為無向二分圖
在獲得了「擴充網頁集合」之後，salsa根據集合內的網頁鏈結關係，將網頁集合轉換為乙個二分圖。即將網頁劃分到兩個子集合中，乙個子集合是hub集合，另外乙個子集合是authority集合。劃分網頁節點屬於哪個集合，則根據如下規則：
如果乙個網頁包含出鏈，這些出鏈指向「擴充網頁集合」內其它節點，則這個網頁可被歸入hub集合；
如果乙個網頁包含「擴充網頁集合」內其它節點指向的入鏈，則可被歸入authority集合。
由以上規則可以看出，如果某個網頁同時包含入鏈和出鏈，則可以同時歸入兩個集合。同時，hub集合內網頁的出鏈組成了二分圖內的邊，根據以上法則，將「擴充網頁集合」轉換為二分圖。
圖6-15和圖6-16給出了乙個示例，說明了這個轉換過程。假設「擴充網頁集合」如圖6-15所示，由6個網頁構成，其鏈結關係如圖所示，同時為便於說明，每個網頁給予乙個唯一編號。圖6-16則是將圖6-15中的網頁集合轉換為二分圖的結果。以網頁6為例，因為其有出鏈指向網頁節點3和網頁節點5，所以可以放入hub集合，也因為編號為1、3、10的網頁節點有鏈結指向網頁節點6，所以也可以放入authority集合中。網頁節點6的兩個出鏈保留，作為二分圖的邊，
圖6-15 擴充網頁集合示例
但是這裡需要注意的是，在轉換為二分圖後，原先的有向邊不再保留方向，轉換為無向邊，而hits演算法仍然保留為有向邊，這點與salsa略有不同。
圖6-16 二分圖
到這一步驟為止，除了salsa將「擴充網頁集合」轉換為無向二分圖，而hits仍然是有向二分圖外，其它步驟和流程，salsa演算法與hits演算法完全相同，正因此，salsa保證了是與使用者查詢相關的鏈結分析演算法。
在鏈結關係傳播階段，salsa放棄了hits演算法的hub節點和authority節點相互增強的假設，轉而採納pagerank的「隨機遊走模型」。
鏈結關係傳播概念模型
如圖6-16所示，假設存在某個瀏覽者，從某個子集合中隨機選擇乙個節點出發（為方便說明，圖中所示為從hub子集的節點1出發，實際計算往往是從authority子集出發），如果節點包含多條邊，則以相等概率隨機選擇一條邊，從hub子集跳躍到authority集合內節點，圖中所示為由節點1轉移到節點3，之後從authority子集再次跳回hub子集，即由節點3跳到節點6。如此不斷在兩個子集之間轉移，形成了salsa自身的鏈結關係傳播模式。
儘管看上去與pagerank的鏈結傳播模式不同，其實兩者是一樣的，關鍵點在於：其從某個節點跳躍到另外乙個節點的時候，如果包含多個可供選擇的鏈結，則以等概率隨機選擇一條路徑，即在權值傳播過程中，權值是被所有鏈結平均分配的。而hits演算法不同，hits演算法屬於權值廣播模式，即將節點本身的權值完全傳播給有鏈結指向的節點，並不根據鏈結多少進行分配。
salsa的上述權值傳播模型與hits模型關注重點不同，hits模型關注的是hub和authority之間的節點相互增強關係，而salsa實際上關注的是hub-hub以及authority-authority之間的節點關係，而另外乙個子集合節點只是充當中轉橋梁的作用。所以，上述權值傳播模型可以轉化為兩個相似的子模型，即hub節點關係圖和authority節點關係圖。
authority節點關係圖
圖6-17是由6-16的二分圖轉化成的「authority節點關係圖」，「hub節點關係圖」與此類似，兩者轉化過程是相似的，我們以「authority節點關係圖」為例來看如何從二分圖轉化為節點關係圖。
圖6-17 authority節點關係圖
這裡需要注意的是：authority集合內從某個節點i轉移到另外乙個節點j的概率，與從節點j轉移到節點i的概率是不同的，即非對稱的，所以轉換後的authority節點關係圖是個有向圖，以此來表示其轉移概率之間的差異。
對於圖6-17這個「authority節點關係圖」來說，圖中包含的節點就是二分圖中屬於authority子集的節點，關鍵在於節點之間的邊如何建立以及節點之間轉移概率如何計算。
節點關係圖中邊的建立
之所以在「authority節點圖」中，節點3有邊指向節點5，是因為在二分圖中，由節點3通過hub子集的節點6中轉，可以通達節點5，所以兩者之間有邊建立。
這裡需要注意的是：在二分圖中，對於authority集合內某個節點來說，一定可以通過hub子集的節點中轉後再次返回本身，所以一定包含一條指向自身的有向邊。節點1因為只有中轉節點2使得其返回authority子集中自身節點，所以只有指向自身的一條邊，和其它節點沒有邊聯絡，所以例子中的「authority節點關係圖」由兩個連通子圖構成，乙個只有節點1，另外乙個連通子圖由剩餘幾個節點構成。
節點之間的轉移概率
至於為何「authority節點關係圖」中，節點3到節點5的轉移概率為0.25，是因為前面介紹過，salsa的權值傳播模型遵循「隨機遊走模型」。在圖6-16的二分圖中，從節點3轉移到節點5的過程中，節點3有兩條邊可做選擇來跳轉到hub子集，所以每條邊的選擇概率為1/2，可以選擇其中一條邊到達節點6，同樣，從節點6跳回到authority子集時，節點6也有兩條邊可選，選中每條邊的概率為1/2。所以從節點3出發，經由節點6跳轉到節點5的概率為兩條邊權值的乘積，即為1/4。
對於指向自身的有向邊，其權重計算過程是類似的，我們仍然以節點3為例，指向自身的有向邊代表從authority子集中節點3出發，經由hub子集的節點再次返回節點3的概率。從6-16的二分圖可以看出，完成這個過程有兩條路徑可走，一條是從節點3到節點1返回；另外一條是從節點3經由節點6後返回；每一條路徑的概率與上面所述計算方法一樣，因為兩條路徑各自的概率為0.25，所以節點3返回自身的概率為兩條路徑概率之和，即為0.5。圖中其它邊的轉移概率計算方式也是類此。
建立好「authority節點關係圖」後，即可在圖上利用「隨機遊走模型」來計算每個節點的authority權值。在實際計算過程中，salsa將搜尋結果排序問題進一步轉換為求authority節點矩陣的主秩問題，矩陣的主秩即為每個節點的相應authority得分，按照authority得分由高到低排列，即可得到最終的搜尋排序結果。
圖6-18 salsa節點權值計算公式
經過數學推導，可以得出salsa與求矩陣主秩等價的authority權值計算公式。圖6-18示意圖表明了salsa演算法中某個網頁節點的authority權值是如何計算的。如圖右上角公式所示，決定某個網頁i的authority權值涉及到4個因子：
authority子集中包含的節點總數|a|。其實這個因子對於authority集合中任意節點來說都是相同的，所以對於最終的根據節點authority權值進行排序沒有影響，只是起到保證權值得分在0到1之間，能夠以概率形式表示權值的作用；
網頁i所在連通圖中包含的節點個數|aj|。網頁所在的連通圖包含的節點個數越多，則網頁的authority權值越大；
網頁i所在連通圖中包含的入鏈總數|ej|。網頁所在的連通圖包含的入鏈總數越少，則網頁的authority權值越大；
網頁i的入鏈個數|bi|。節點入鏈越多，則authority權值越大，這個因子是唯一乙個和節點本身屬性相關的。由此可見，salsa權值計算和節點入鏈個數成正比。
之前圖6-17的「authority節點關係圖」由兩個連通子圖組成，乙個由唯一的節點1構成，另外乙個由節點3、5、6三個節點構成，兩個連通子圖在圖6-18中也被分別圈出。
我們以節點3為例，看其對應的四個計算因素取值：
authority子集共包括4個節點；所以，節點3的authority權值為：（3/4）*(2/6)=0.25。其它節點權值的計算過程與此類似。salsa根據節點的authority權值由高到低排序輸出，即為搜尋結果。節點3所在連通圖包含3個節點；
節點3所在連通圖共有6個入鏈；
節點3的入鏈個數為2；
由上述權值計算公式可以推論出：如果整個authority子集所有節點形成乙個完整的連通圖，那麼在計算authority權值過程中，對於任意兩個節點，4個因子中除了節點入鏈個數外，其它三個因子總是相同，即只有入鏈個數起作用，此時，salsa演算法退化為根據節點入鏈個數決定排序順序的演算法。
從salsa計算authority得分過程中可看出，salsa演算法不需像hits演算法一樣進行不斷迭代計算，所以從計算效率角度看要快於hits演算法。另外，salsa演算法解決了hits演算法的計算結果主題漂移的問題，所以搜尋質量也優於hits演算法。salsa演算法是目前效果最好的鏈結演算法之一。
《這就是搜尋引擎:核心技術詳解》
鏈結分析演算法之 HITS演算法
hits hits hyperlink induced topic search 演算法是由康奈爾大學 cornell university 的jon kleinberg 博士於1997 年首先提出的,為ibm 公司阿爾馬登研究中心 ibm almaden research center 的名為 c...
短鏈結演算法收集與分析
yun.io 如何實現呢，大概有三個步驟 1 定義乙個url對映演算法，可以將長的url對映成短字串 2 使用乙個儲存 資料庫？nosql？來儲存完成的對映 3 實現自己的url對映演算法 一般來說，第三步是我們比較頭疼的，如何將乙個長的url字串，對映成乙個較短的字串呢。我總結了三種辦法 普通實現...
STL演算法分析之Copy（）演算法
在看sgi stl原始碼的時候，畢竟會碰到很多的演算法，不理解這些演算法對我們的閱讀產生了很大的影響，現在先來分析下幾個已經碰到的了的演算法。第乙個copy 演算法。copy演算法說起來很簡單就是將迭代器裡面的 first，last 區間裡的元素賦值到指定的 result 指定的區間裡面去 resu...