pagerank算法教会我们的事

2016-08-20 约 2449 字预计阅读 5 分钟

                    (function(){
                        var cover = "http://mmbiz.qpic.cn/mmbiz/dcEP2tDMibcfhZ8MJOQpLuTPyNqZKHmNFbDhamomCArDFBywF7dnBBIaLH5YvLpdIN3FtreYEgUDDsTNxINHqGw/0?wx_fmt=jpeg";
                        var tempImg = document.createElement('img');
                        tempImg.setAttribute('class', 'rich_media_thumb');
                        tempImg.setAttribute('id', 'js_cover');
                        tempImg.setAttribute('data-backsrc', cover);
                        tempImg.setAttribute('src', cover);
                        tempImg.setAttribute('onerror', 'this.parentNode.removeChild(this)');
                        
                        document.getElementById('media').appendChild(tempImg);

                    })();

看了许铁的文章从国家产业升级到职业选择–一篇Science神文的启示

我想到pagerank算法，这篇文章中的观点，暗合了pagerank算法。大道相通，学算法，多问问算法背后的假设，看看这些假设中提到了什么样的比喻，从这些比喻中就可以看出做人处事的道理。

pagerank是21世纪改变人类的一大成就吧。用最简单的话来说，就是人脉决定价值，A和一群土豪做朋友，B和一群屌丝做朋友，A的价值就高于B，C只和一个屌丝做朋友，那B的价值就大于C，只不过这里ABC是网页界面，土豪指的是谷歌wiki这样的网站，屌丝指的是个人的博客。然后这个算法就不断的测量每个界面的“人脉”，决定那个网站更重要，排在谷歌的搜索结果前端。

而把网页界面换成国家的产业，那就是许铁文章所说的内容了，米国欧洲金融业发达，金融业处于网络节点的中心，而那些受到资源诅咒的国家，则处在网络的边缘。如果把图中的对象比做技能，那么沟通能力，逻辑思维能力，跨学科思维等则处于中心节点，而photoshop能力则处于图中的节点B。

但随着那些spam link的泛滥，比如尽量找一些rank较高的可达页去加上对我博客首页的链接。例如我可以去天涯、猫扑等地方回个这样的贴：“楼主的帖子很不错！精彩内容：http://codinglabs.org”这样的帖子。目前谷歌已经开始结合click-rate，就是页面被展示与被观看的比例；来判断页面的好坏。对应到国家上，就像瑞士，瑞士可能并不处于产业森林的中心节点，但由于其产品质量有目共睹，大家对这个国家的评价很高，如果你把瑞士比做一个网站，那么他也许就像nature上的论文，也许引用不多，但只要看到标题的，都会点击进看一看。对应到技能上，那就是有的人对某一技术特别专精，虽然问他的人不多，但只要是遇到这个技术方面的问题，大家都会想到他，这样的人也会在职场上吃香喝辣。

至于上述两个因素如何加成来判断一个企业，一个个人，或者一个网站的总体价值，我不清楚谷歌的具体算法，但不妨假设一下，我觉得可能是以点击率（代表单个网络的质量）为底，以链接数为指数的指数运算，瑞士的发展得益于其处在相互连接的欧洲，而闭关锁国的中国科技虽然能另马可波罗赞叹不已（单体的质量不错）却因为缺少链接，不管多大的底数，都不行。

我为什么推测是指数式的运算，是因为网络的传播性质决定了，一阶效应必然会带来的二阶效应，从而导致像宏观经济学中的乘法效应一样，由于中央银行处于网络的中心，其增发1块钱，而这些钱部分又存到了银行，从而导致实际货币量增加了10元，**如果一个处于技能网络中心的能力一旦得到提升，会涟漪式的带动周边能力的提升，**比如你有了算法思维，那么你可以去看金融分析的书，看生物信息的书，看数据挖掘的书，都会理解更深。

更基础的是数学这种学科，如果你数学好，那么以后不管做金融还是物理，都有很大的优势。这也是为什么高考的学科肯定包括语数外，这三门学科对于所有今后的职业选择，都是位于网络中心的技能。而至于这三门是不是位于网络中心，还是如Minerva（见Minerva所有关于学术的东西都在这里）中宣布的那样，基础学科包括

Formal Analyses：

形式分析。包括数学，逻辑，计算机，数据分析，统计概率，建模等等这些注重纯逻辑推理和计算的东西。

Empirical Analyses：

实证分析。包括物理，化学，生物，医学，气候学等等这些需要反复的试验和收集证据来支持或者推翻一个假设的学科。

Complex Systems：

复杂系统。指的是人在社会（甚至也可以包括一些群居动物的社会）之中的互动产生的复杂系统，涉及到很多经济学，心理学，社会学的内容。

Multimodal Communication：

多模式交流。包括各种与表达交流相关的技能——写作，演讲，辩论以及说服，音乐表达，视觉艺术表达，歌剧电影等等。

你也可以把他们依次看成计算学，自然科学，社会科学，和人文学科。（虽说这样不是很准确，因为它们之间没有这么清晰的界限，比如复杂系统也涉及到很多自然科学和计算机模型的内容）”

当你拥有了处于这些基石性的知识与技能，之后再专精于一项，上手就会快，理解也会比没有掌握好的人深入，可以做到一通百通，从而避免“吾生也有涯，而知也无涯，以有涯搏无涯，怠矣”的困境。

模式在自然和社会中无处不在

所以我们不仅需要知道模式的存在，更要理解它们为什么会存在，以及了解挖掘它们的方法，这里就涉及两个基本的方法，一个叫复杂科学（复杂系统），一个叫机器学习。