PageRank 是 Google 早期提出的网页重要性算法，核心思想是：把整个互联网看成一张有向图（directed graph），网页是节点，超链接是边；一个用户在网页间不停随机游走（random walk），长期停留在每个网页上的概率，就是该页的 PageRank。概率越高，页面越重要。
打个比方：你在一座由网页组成的城市里闲逛。多数时候，你从当前网页随机点一个链接去下一站；偶尔觉得无聊，就随机输入一个网址跳到任意网页。走很久后，统计你在每个网页待的时间比例。比例高的网页，不是因为它字数多或关键词多，而是因为很多路都通向它，而且通向它的路本身也常有人走。
链接如何传播权重？每个页面先有一个初始分。一个页面把自己的分平均分给它的所有出链页面：出链越多，每条链接分到的越少。高权重页面投出的一票，自然比低权重页面的一票更值钱。这个过程反复迭代：A 的分传给 B，B 再传给 C……直到所有页面的分数基本稳定。简化公式可以写成：
PR(A) = (1-d) + d × Σ PR(B)/L(B)
其中 B 是链接到 A 的页面，L(B) 是 B 的出链数，d 是阻尼系数（damping factor）。通常还会留一小部分概率随机跳转，避免走进没有出链的死胡同，也防止几个页面互相刷分形成闭环。d 的常见取值在 0.85 左右，具体实现会调整，以官方页面为准。
和相邻概念的区别：
| 概念 | 关心什么 | 与查询相关？ | 是否迭代传播？ |
|---|---|---|---|
| PageRank | 网页在图中的全局重要性 | 否 | 是 |
| 关键词匹配 | 页面内容与查询词是否匹配 | 是 | 否 |
| 简单反向链接计数 | 有多少链接指向它 | 否 | 否，容易刷 |
| HITS（Hyperlink-Induced Topic Search） | 权威页与枢纽页等图结构 | 通常否 | 是/类似 |
对做搜索引擎优化（SEO）的人来说，外链质量比数量重要：被权威、相关页面链接，胜过大量低质链接。对 AI 从业者来说，PageRank 是图算法的基础范式，可用于引用网络、社交网络、知识图谱实体重要性、检索结果重排等场景。对普通人来说，搜索排名是相关性、重要性、时效性、个性化等综合结果，PageRank 只是其中一类信号，且具体实现会不断变化，以官方页面为准。