
Portuguese: 
A ideia de como classificar
páginas da web
é a mesma ideia da medida
da popularidade das pessoas.
Mas, em vez de pensar
nas amizades
como meio de medir
a popularidade,
vamos medir links na internet.
Quando uma página tem um link
para outra página,
isso indica que é provável
que a outra página seja popular,
assim como quando alguém
tem um amigo,
isso indica que o amigo
provavelmente é popular.
O objetivo
de classificar as páginas
é medir a popularidade delas,
baseado nas outras páginas
com links para ela.
Mas temos o mesmo problema
da popularidade.
Nem todos os links
são iguais.
O link de uma página
importante
conta muito mais que o link
de uma página não importante.
Se o "NY Times"
tem um link para sua página,
isso vai contar muito mais
do que se a sua mãe fizer
uma página com um link para a sua.
A não ser que sua mãe
seja a Lady Gaga,
aí o link dela
vai contar mais.
Outro jeito de pensar nisso

Japanese: 
Webページをランクづけする考え方は
人々の人気度を測定方法の考え方と同じものです
しかし人気度を測る方法として
友情を考えるのではなく
私たちが測定するものはWeb上のリンクです
あるページが他のページとリンクしている時
誰かが友人である場合と同様に
このページは他のページよりも
人気がありそうだと示します
そして友人である人は人気がありそうだと
表わすのです
Webページのランクづけの目的は
そのページにリンクしている他のページに基づき
ページの人気度を測ることです
しかし人気度と同じ問題があるので
すべてのリンクが同じというわけではありません
本当に重要なページからのリンクは
あまり重要でないページからのリンクよりもずっと
重要視されます
もしもニューヨークタイムズが
あなたのページにリンクしたとすると
あなたの母親が立ち上げたWebページから
あなたのページにリンクしているページよりも
ずっと重要視されるのです
もしあなたの母親が
レディー・ガガであれば話は別です
そのリンクは非常に価値があります

English: 
So, that idea for how to rank webpages is
the same idea as how we measure popularity of people.
But instead of thinking about friendships as the way
to measure popularity, what we're measuring is links on the
web. When one page has a link to another
page, well that indicates it's more likely that this other
page is popular, just like when someone is a friend,
it indicates that the person they are friends with is
more likely to be popular. So, the goal in ranking web
pages is to get a measure of how popular are pages,
based on the other pages that link to it but we
have the same issue with popularity then not all links are
the same. That a link from a page that's really important
counts for a lot more than a link from a page
that is not important. So, if the New York Times has
a link to your page, that counts for a lot more than
if your mom sets up a web page and puts a
link to your page in it. Unless your mom is Lady
Gaga, in which case her link probably counts for more. So,

Chinese: 
对网页进行排名与
衡量人们的受欢迎程度相似
我们要衡量的是网页上的链接
而不是好友关系
当某个网页有一个指向其他网页的链接时
则表明这个其他网页很有可能比较热门
就像某个人是好友一样
表明某人的好友更有可能比较受欢迎
网页排名的目标是
根据链接到相关网页的其他网页
衡量该网页的热门程度
但是我们遇到了和受欢迎程度一样的问题
并非所有的链接都一样 某个非常重要的网页发出的链接
比不重要的网页发出的链接占比要大很多
假设《纽约时报》上有个链接指向你的网页
同时假设你妈妈设置了一个网页
并在上面放置了指向你的网页的链接
那么纽约时报的链接肯定更具分量
除非你妈妈是 Lady Gaga 这种情况下 她给出的链接更具分量

Portuguese: 
é que estamos modelando
uma internauta aleatória.
Nossa internauta aleatória
conhece
um conjunto de páginas.
Essas páginas têm links
para outras páginas.
Algumas páginas têm vários links,
algumas têm um só.
Algumas páginas podem
não ter links.
Um jeito de pensar nisso
é que estamos modelando
uma internauta aleatória.
A internauta começa
conhecendo algumas páginas.
Ela escolhe uma
aleatoriamente.
Digamos que ela escolha
esta página.
Aí, quando ela está
nessa página,
ela clica em um link aleatoriamente
e o segue.
Opa, foi uma escolha ruim.
Não há links para fora.
Então, ela escolhe
outra página.
Digamos que seja esta.
Ela segue o link daquela página
e chega à página sem links de novo.
Digamos que ela escolha
um ponto de partida melhor.
Digamos que escolha esta
aleatoriamente.
Agora ela tem dois links
para seguir.
Ela escolhe um aleatoriamente
e o segue.
Ela chega a uma nova página
e escolhe outro link aleatoriamente.
Neste caso só há um.

English: 
another way of thinking about this is what we're trying to model
is a random web surfer. So, our random web surfer has
some set of pages that they know about. And those pages
have links to other pages. Some pages might have a lot
of links. Some pages might just have one link. Some pages might
have no links. So, one way to think about this
is that we're trying to model a random web surfer. The
web surfer starts knowing about some pages. And she picks
one page at random, let's say she picks this page. And
then, when she's on that page, she picks a random
link and follows that links. Whoops, this was a bad starting
page. It actually has no out links. So, then, she picks
another random page. Let's say she picks this one. She follows
the link from that page, and now she got to the
page with no links again. Let's say she picked a better starting
point. Let's say she randomly picked this one. Now she's got
two links to follow. She randomly picks one of those. She follows
it. She gets to a new page. She randomly picks a
link from that page, in this case, it only had one, and

Japanese: 
他の考え方は私たちがモデルとしようとしているものは
ランダムサーファーモデルです
ランダムサーファーは意識して
Webページを立ち上げています
そのページは他のページにリンクしています
中には多くのリンクを持つページもあります
わずか1つのリンクだけを持つページや
リンクを持たないページもあります
このことを踏まえて
私たちはランダムサーファーモデルを
構築しようとしています
Webサーファーは何かのページについて知識を持ち
ページを始めます
ランダムにあるページを取り上げます
例えばこのページを取り上げるとしましょう
そしてサーファーは
ページでランダムにリンクを取り上げ
そのリンクを追います
このページは出発地点として適していません
リンクがないからです
次にランダムに別のページを取り上げます
このページを選んだとしましょう
ページからのリンクをたどりますが
再びページにはリンクがありません
しかしよい開始点を選んだとします
ランダムにページを選びます
今度は2つのリンクがあります
ランダムにそのうちの1つを選びたどります
新しいページに着きました
そのページからランダムにリンクを選びます
今回は1つだけであり

Chinese: 
另一种思考方法是我们要模拟
一个随机网络服务器
该服务器具有一些已知的网页
这些网页具有指向其他网页的链接
某些网页可能具有很多链接 某些可能只有一个链接
某些可能没有链接
一种思考方式是尝试模拟一个随机网络服务器
该服务器开始了解一些网页
它随机选择一个网页 假设选择了这个网页
然后转到该网页上 随机选择一个链接
点击该链接 糟糕 这个起始网页不太好
它实际上没有向外的链接
然后选择另一个随机网页 假设选择了这个
点击该链接
再次转到没有链接的网页 假设选择了更好的起始点
假设随机选择了这个网页
现在可以点击两个链接 随机选择一个
转到新的网页
随机选择该网页上的链接 这种情况下 只有一个链接

Portuguese: 
Aqui parece
que temos um problema,
porque todas as páginas
iniciais
acabam levando a essa,
que não tem links para fora.
Depois eu penso
em como resolver esse problema.
Mas nossa internauta aleatória
está escolhendo páginas
e seguindo links.
Queremos medir
a popularidade de uma página.
Ela vai ser a probabilidade
de se atingir essa página
começando dessas
páginas aleatórias.
Então, se você fizer isso
várias vezes,
contando o número de vezes
que chega a cada página,
vai ter uma medida
da popularidade da página.
Isso é muito parecido
com a função da popularidade.
Vamos definir uma função que chamará
o rank da página
e, da mesma maneira
que definimos a popularidade,
vamos ter dois inputs.
Vai ter um instante de tempo
e a página,
para a qual vamos usar o URL.
O output de rank
será um número,
a não ser o que vamos definir
para o instante de tempo 0.
Esse é o nosso caso base.
Todos os ranks são iguais a 1.

Chinese: 
在这种情况下 我们似乎遇到了问题
因为所有的起始网页最终都转到这个网页
它没有向外的链接
稍后我们将思考如何解决该问题
现在我们可以认为随机网络服务器所做的是选择随机网页
点击链接 我们想要衡量某个网页的受欢迎程度
即从这些随机网页抵达给定网页的概率
如果不断执行这一流程
算出抵达每个网页的次数
就可以得出该网页的受欢迎程度
和 popularity 函数很相似
我们将定义一个网页排名函数
和定义 popularity 函数一样
有两个输入
一个是时间步长 一个是网页 用 URL 表示
rank() 的输出是一个数字
但是我们将定义时间步长 0
这是我们的基础条件

Japanese: 
そして多少問題があるようです
すべての開始ページが
そのページにつながっているからです
つまり外部へのリンクはありません
あとでこの問題の解決方法を考えます
ランダムサーファーが何を行っているのか
考えてみましょう
ランダムサーファーは
ランダムにページを選びリンクをたどります
私たちが測定したいのはページの人気です
人気によりそのランダムページから開始して
任意のページにたどりついた可能性があります
あなたがこの行為を繰り返し
各ページにたどりついた数を数えれば
ページの人気を測ることができます
これは人気の機能とよく似ています
私たちはこれをページランクと呼び
その機能を定義したいと考えます
人気度機能を定義したのと同じく入力は2つあります
時間ステップを持ち
URLを使用するページがあります
ランクの出力は数字です
時間ステップゼロと定義するものは除きます
これは私たちの基本ケースであり
すべてのランクの値は1とします

English: 
in this case, it seems we have a bit of a
problem, because all of the starting pages eventually lead into this one,
which has no outgoing links. So, we'll think about how to
solve that problem later, but we can think of what our
random web surfer is doing, is picking random pages, following links,
and what we want to measure is the popularity of a page.
And that's the probability that she reaches that given page, starting
from these random pages. So, if you did this over and
over again, and you counted the number of times you reached
each page, that would give you a measure of that page's popularity.
So, this is very similar to the popularity function. We're
going to define a function that we'll call the rank of
the page. And, like the way we defined the popularity
function, it's going to have two inputs. It's going to have a
time stamp, and it's going to have the page which we'll
use a URL for. And the output of rank will
be some number. Except for we'll define for time step
zero. This is our base case, and we're going to find all

Japanese: 
その値はすぐに変更されますが
人気度で行ったように
すべてのランクに値1を当てることから
始めたいと考えます
任意のURLについて
ランクの値を時間ステップtとします
ちょうど人気度を定義したようです
このページと仲のよい全ページの合計であり
私たちのWebページが
他のページと仲よくなり
リンクを持つことを意味します
これは存在しそのURLまたは友人と
何らかのリンクを持つ全ページのためのものになります
そして私たちはこれら各ページについて
調べたいと思います
友人ではなくインリンクと呼びます
これらを調べt引く1の時間で
それらのページにつけた
ランクを合計します
これがWebページの人気に関する
私たちの最初のモデルとなります
これは人々の人気モデルで行ったものと
まったく同じものです
まだうまく機能しないでしょう

Chinese: 
所有排名值为 1
稍后做更改 我们先假设所有排名
值都是 1
就像受欢迎程度得分一样
然后将定义任何给定 URL 在时间步长 t 时的排名值
就像定义受欢迎程度得分一样
等于与该网页是好友的网页排名之和
网页与其他网页是好友是指
具有指向该网页的链接
也就是存在的链接到该 URL 的所有网页
即它的好友
我们可以查看每个网页
称之为 inlinks 而不是 friends
我们将查看这些网页 并算出时间步长 t-1 时
这些网页的排名之和
这就是网页的第一个受欢迎程度模型
这和人的受欢迎程度模型完全一样
但是效果不太好

English: 
the ranks have value one. We'll actually change
that shortly, but we'll start out think of it,
all the ranks having value one, like we
did with the popularity scores. And then we'll define
the value of the rank at time step t for any given URL. Just like we defined
the popularity score. It's going to be the sum of
all the pages that are friends with this page,
and what it means for our webpage to be friends
with another page is that it has a link to it.
So, this is going to be for all the pages that
exist that have some link to that URL, or its friends.
And so, we're going to go through each of those pages.
We'll call them inlinks instead of friends. We're going to go through
those and we're going to sum up the ranks that we got
for those pages at time t minus one. So, this is
our first model of popularity on, of webpages. This is exactly
the same as the model we had of popularity for people.
It's not going to work that well yet and one of the

Portuguese: 
Já vamos mudar isso,
mas vamos começar pensando
que todos os ranks são iguais a 1,
como fizemos
com a popularidade.
Aí vamos definir
o valor do rank
no instante de tempo t
para qualquer URL dado,
como definimos
o grau de popularidade.
Vai ser a soma de todas as páginas
que são amigas dela,
e uma página é amiga de outra
quando tem um link para ela.
Isso vale para todas as páginas
que existem
que têm algum link
para aquele URL,
que são suas amigas.
Vamos passar
por cada página dessas,
e vamos chamá-las de "inlinks",
em vez de "amigas",
vamos passar por elas e somar
os ranks dessas páginas
no instante de tempo t-1.
Esse é nosso primeiro modelo
de popularidade de páginas.
Isso é exatamente igual
ao modelo que tínhamos
de popularidade de pessoas.
Ainda não vai funcionar
muito bem.
Um dos motivos para isso

Chinese: 
原因之一是某些网页
可能有很多的链接
如果某个网页有很多的链接 则它的链接的每个值
都应该减小 不应该和只有一个链接
指向该 URL 的网页值相同
或许这和好友的受欢迎程度差不多
如果某人有很多好友 则每个好友的重要性都更低
但是如果某人只有一小部分好友
则有很多时间陪每位好友
我们就这样表示网页受欢迎程度
我们不希望给每个链接设定相同的得分
为此 我们将除以向外链接的数量
如果某个网页有很多向外链接
则它链接到的每个网页的值会降低
如果某个网页是一个长长的链接列表
则对排名没太多影响
如果某个网页只有少数几个向外链接 那么重要性更高
我们要做的是将这个除以 p 的向外链接数量
即每个 p 网页 对吧？
这些将是经历 URL 的内部链接时 p 的值

Japanese: 
うまく機能しない理由の1つは
数多くのリンクを持つページが
存在するかもしれないからです
あるページが多くのリンクを持てば
そのリンクそれぞれの価値は減少します
このURLにつながるリンクだけを持つページと
同じ値を持つことはありません
これは友人の人気度のケースと同じかもしれません
数多くの友人がいれば各友人の価値は下がります
一方ごくわずかの友人だけを持つならば
それぞれの友人と過ごす時間は多くあります
これはWebの人気をモデルとするものです
各リンクに対し同じ人気度をつけたくありません
外部リンクの数で割ることで変化を持たせたいのです
あるページが多くの外部リンクを持つなら
そこにリンクするページの値はそれぞれ少ないものです
このため長いリンク集のリストを持つページは
ランキングにあまり影響を与えません
ごくわずかな外部リンクを持つページは
価値があります
pからの外部リンクの数で割ります
pページそれぞれで行うのですよね？
これはURLのリンクを調べる時のpの値です

English: 
reasons it's not going to work that well is some pages
might have lots of links. And if a page has lots
of links, the value of each one of its links should
be diminished. It shouldn't have the same value as the page
that only has one link that links to this URL. Maybe that
should be the same case for a friend's popularity, if
someone has lots of friends, each friend is less valuable.
Whereas someone who only has a small number of friends
has lots of time for each friend. So this is the
way we're going to model web popularity. We don't want
to just give the same score to each link. We're
going to change this by dividing by the number of outlinks.
So, if a page has many outgoing links, the value to
the pages that it links to is less for each page. So,
a page that's just a long list of lots of links won't
have that much influence on the rankings. If a page only has
a few outgoing links, well then, they are worth more. So, what we are
going to do, is divide this by the number of out links from
p. So, each of the p pages, right? These will be the
values of p, as they go through the inlinks of URL. We

Portuguese: 
é que algumas páginas
podem ter vários links.
Se uma página
tem muitos links,
o valor de cada um dos links
deve ser menor.
Não deve ser o mesmo
de uma página com um link só,
que aponta para esse URL.
Talvez devesse ser o mesmo caso
para a popularidade de amigos.
Se alguém tem muitos amigos,
cada um tem menos valor.
Alguém com menos amigos
tem mais tempo para cada um.
Vamos modelar a popularidade
na internet assim.
Não vamos dar a mesma nota
para cada link.
Vamos mudar isso dividindo
pelo número de outlinks.
Se uma página tiver muitos
outlinks,
o valor para a página que eles
apontam é menor para cada página.
Uma página que for só
uma lista comprida de links
não vai ter muita influência
na classificação.
Se uma página
tem poucos outlinks,
eles valerão mais.
Então vamos dividir aqui
pelo número de outlinks
saindo de p.
Então, para cada página p...
Aqui temos os valores
de p
enquanto passam
pelos inlinks de URL.

Portuguese: 
Vamos somar o rank que tivemos
no instante de tempo anterior
e dividir pelo número
de outlinks.

English: 
are going to sum up the rank that we got on the previous time
step and divide that by the number of out links.

Chinese: 
我们将对上一时间步长的排名求和
并除以向外链接的数量

Japanese: 
前回の時間ステップで得たランクを合計して
それを外部リンクの数で割るのです
