Se provi a capire PageRank partendo soltanto dalla formula, incontri subito una ricorsione: il valore di una pagina dipende dal valore delle pagine che la collegano, che a loro volta dipendono da altre pagine. È corretto, ma non è ancora facile da vedere.
Il Random Surfer Model risolve questo problema di comprensione con un esperimento mentale. Immagina un navigatore che si muove nel Web seguendo link scelti a caso e, ogni tanto, abbandona il percorso per ripartire da un'altra pagina. Le pagine sulle quali finisce più spesso ricevono un PageRank maggiore.
Questa immagine è potente proprio perché traduce una distribuzione stazionaria in un comportamento osservabile. Ma ha un limite che conviene fissare subito: il Random Surfer non è un utente reale e PageRank non è una misura diretta dei clic.
In breve
- Quando il navigatore segue i link, sceglie uniformemente fra gli outlink della pagina nel modello di base.
- Con una probabilità complementare compie un salto, la teleportation, verso un'altra pagina.
- Dopo molte transizioni, la frazione di tempo trascorsa su ogni nodo converge a una distribuzione: quella è l'interpretazione probabilistica del PageRank.
- Il modello chiarisce formula, damping factor e problemi del grafo; non documenta formula e parametri usati oggi da Google.
Dal voto ricorsivo a un percorso
Nel PageRank originale un link non trasferisce un valore fisso. Trasferisce una quota del valore della pagina sorgente, normalizzata per il numero dei suoi link uscenti. Una pagina sostenuta da nodi a loro volta importanti tende quindi a ricevere più valore di una pagina citata soltanto da nodi periferici.
Il Random Surfer racconta lo stesso meccanismo da un'altra prospettiva. Se una pagina riceve link da zone frequentemente visitate del grafo, esistono più percorsi probabilistici che conducono a essa. Se una pagina distribuisce la propria uscita fra dieci link, ciascuna direzione ha nel modello uniforme probabilità 1/10; con due link, 1/2.
Non serve immaginare una singola persona che navighi per sempre. Il “surfer” è un dispositivo matematico: permette di leggere i valori del vettore PageRank come probabilità di presenza nel lungo periodo.
Due mosse: seguire oppure saltare
Il modello completo alterna due azioni.
- Con probabilità
d, il navigatore segue uno dei link uscenti. - Con probabilità
1-d, interrompe la catena e compie un salto verso una pagina scelta secondo la distribuzione di teleportation.
Nella versione più semplice, la destinazione del salto è uniforme. In altre varianti la distribuzione può essere orientata verso un insieme di pagine. È qui che la stessa struttura matematica apre la strada a PageRank personalizzato o sensibile al tema.
Il parametro d viene spesso chiamato damping factor. Se usi la convenzione opposta, come fa parte della letteratura, il simbolo può indicare la probabilità di teleportation. Non è una contraddizione: cambia la notazione, non il meccanismo. Per evitare equivoci devi sempre chiederti quale dei due eventi il parametro sta pesando.
Schema concettuale originale. Le probabilità descrivono il modello di base, non il comportamento misurato di utenti reali.
Perché la teleportation non è un dettaglio narrativo
Senza salti, il percorso può rompersi o restare intrappolato. Una pagina senza link uscenti è un dangling node: il navigatore non ha una transizione definita. Un gruppo di pagine che collega soltanto se stesso può formare una spider trap: una volta entrato, il navigatore non ne esce.
La teleportation rende possibile uscire da zone chiuse e assegna una transizione anche quando gli outlink mancano. Dal punto di vista delle catene di Markov, aiuta a ottenere una matrice con le proprietà necessarie perché la distribuzione converga a una soluzione unica nel modello standard.
Questo è il passaggio che la metafora rende memorabile: il navigatore non salta perché gli utenti “si annoiano” in un senso misurato dal sistema; salta perché il modello ha bisogno di non dipendere interamente dagli archi presenti.
Il tema merita un approfondimento separato in “Dangling nodes, spider traps e rank sinks”, perché i tre fenomeni non sono sinonimi e il modo in cui vengono trattati cambia il calcolo.
Che cosa significa convergere
All'inizio puoi assegnare a ogni pagina la stessa probabilità. Dopo una transizione, la distribuzione cambia; dopo la successiva cambia ancora. Ripetendo la moltiplicazione per la matrice di transizione, le differenze fra un'iterazione e la successiva si riducono fino a diventare trascurabili.
“Stabile” non significa che il Web reale smetta di cambiare. Significa che, a grafo e parametri fissati, un'altra iterazione non modifica materialmente la distribuzione. Se cambiano link, insieme delle pagine, trattamento dei nodi pendenti o vettore di teleportation, cambia anche il problema che stai risolvendo.
Il punto da ricordare è questo: PageRank non cerca il percorso più breve né simula una sessione finita. Stima la distribuzione di lungo periodo di un processo probabilistico sul grafo.
Random non significa irrilevante
La scelta uniforme degli outlink è una semplificazione, non una tesi secondo cui tutti i link sarebbero equivalenti in ogni sistema di ricerca.
Il brevetto sul Reasonable Surfer descrive, per esempio, un modello nel quale i link possono ricevere probabilità differenti in base a dati di comportamento o caratteristiche del link e dei documenti. Altri lavori spostano la distribuzione di teleportation verso temi, query o preferenze.
Queste estensioni non cancellano il Random Surfer. Lo usano come baseline: prima definisci un cammino casuale semplice, poi chiedi quale informazione aggiuntiva renda le transizioni meno ingenue.
Che cosa sappiamo del Google attuale
Google dichiara che PageRank continua a far parte dei suoi sistemi core e, nello stesso passaggio, precisa che il suo funzionamento si è evoluto molto rispetto alle origini. La dichiarazione conferma la continuità del sistema, non la formula corrente.
Non conosciamo da documentazione pubblica il valore attuale del damping factor, il vettore di teleportation, la granularità del grafo, tutti i pesi applicati agli archi o il modo in cui una misura di link analysis entra nel ranking finale. Presentare come attuale il modello uniforme del 1998 sarebbe quindi un salto probatorio.
Il Random Surfer resta utile per capire una classe di algoritmi. Non è una radiografia del ranking in produzione.
Implicazioni per la SEO
La prima implicazione è strutturale. I link interni non sono elementi isolati: formano percorsi, collegano aree e determinano quali pagine restano raggiungibili nel grafo che un crawler può osservare. Una pagina senza collegamenti contestuali può esistere tecnicamente e restare marginale nell'architettura.
La seconda è che la distribuzione conta più del conteggio. Aggiungere cento link globali non equivale a costruire percorsi comprensibili fra contenuti collegati. Anche senza conoscere il modello proprietario di Google, una buona architettura riduce ambiguità, pagine orfane e dipendenze da un solo percorso.
La terza è metodologica: non puoi tradurre la probabilità del Random Surfer in una previsione lineare di ranking. Il ranking combina sistemi e segnali diversi; PageRank descrive una forma di importanza del grafo, non la rilevanza completa per una query.
Se devi decidere
Usa il modello per porre domande verificabili:
- le pagine strategiche ricevono percorsi contestuali da nodi pertinenti?
- una sezione è collegata al resto del sito o forma un circuito quasi chiuso?
- esistono pagine raggiungibili soltanto da sitemap o filtri?
- la navigazione distribuisce attenzione e possibilità di scoperta in modo coerente con le priorità editoriali?
Non usarlo per assegnare un “valore PageRank” inventato a ogni link o per promettere che una modifica produrrà una posizione specifica. La metafora è una mappa del problema, non un contatore segreto.
Fonti
- The Anatomy of a Large-Scale Hypertextual Web Search Engine — paper, Sergey Brin e Lawrence Page, 1998.
- Introduction to Information Retrieval, Chapter 21: Link analysis — manuale accademico, Christopher Manning, Prabhakar Raghavan e Hinrich Schütze, 2008.
- A guide to Google Search ranking systems — documentazione ufficiale Google Search Central, consultata il 4 ottobre 2026.
Approfondimenti
- Dalle citazioni accademiche al grafo del Web — perché la struttura dei collegamenti viene prima della metafora.
- Il PageRank originale: formula, damping factor e matrice di transizione — derivazione e calcolo iterativo.
- “Il brevetto Google sul Reasonable Surfer Model” — come cambiano le transizioni quando i link non sono equiprobabili.
Nota sul processo editoriale
Questo articolo e le immagini originali che lo accompagnano sono stati realizzati con il supporto di un agente di intelligenza artificiale progettato su misura per il progetto editoriale di francescoiamurri.com. L'agente ha assistito nella ricerca, nella redazione, nella verifica documentale delle fonti e nella produzione visuale, seguendo un protocollo che distingue paper, brevetti, dichiarazioni ufficiali, osservazioni storiche e inferenze. Francesco Iamurri ha effettuato la revisione editoriale finale, ha approvato il contenuto e ne assume la responsabilità editoriale.