关于Google矩阵特征值的一个注记
A Note on the Eigenvalues of the Google Matrix
AI总结：
本文针对Google矩阵的特征值分布，给出了Langville-Meyer定理的另一种证明，该定理对幂法计算PageRank的收敛性分析具有重要意义。
摘要：
Google矩阵是一个正的列随机矩阵，用于计算互联网上所有网页的PageRank：对应于特征值1的特征向量即为PageRank向量。由于其维度巨大，达到数十亿量级，目前唯一可行的计算该特征向量的方法是幂法。对于迭代的收敛性，了解矩阵的特征值分布至关重要。Langville和Meyer最近证明了一个关于特征值的定理。本文给出了该定理的另一个证明。
英文摘要：
The Google matrix is a positive, column-stochastic matrix that is used to compute the pagerank of all the web pages on the Internet: the eigenvector corresponding to the eigenvalue 1 is the pagerank vector. Due to its huge dimension, of the order of billions, the (presently) only viable method to compute the eigenvector is the power method. For the convergence of the iteration, it is essential to know the eigenvalue distribution of the matrix. A theorem concerning the eigenvalues was recently proved by Langville and Meyer. In this note another proof is given.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
