Francesco IamurriSEO & DIGITAL STRATEGY

Risorse / Approfondimenti SEO

Il PageRank originale: formula, damping factor e matrice di transizione

Un grafo diretto attraversa una matrice e una sequenza di iterazioni fino a raggiungere una distribuzione stabile.

Devi approvare il redesign di un sito con centomila pagine. Il nuovo menu conserva quasi lo stesso numero di link interni, ma riduce i collegamenti contestuali, moltiplica quelli di servizio e sposta alcune sezioni a quattro passaggi dalla home.

La quantità complessiva dei link è cambiata poco. La struttura, invece, è un'altra.

La formula originaria del PageRank serve a capire perché questa differenza conta. Non assegna valore a una pagina contando semplicemente quanti link riceve. Calcola come una quantità si distribuisce sull'intero grafo, tenendo conto del valore delle sorgenti, dei loro link in uscita e di una quota che non dipende dai collegamenti.

Questo non permette di prevedere il ranking attuale di Google. Permette però di formulare domande migliori quando valuti un'architettura, una migrazione o uno strumento che promette di calcolare l'“internal PageRank”.

In breve

Se vuoi prima la mappa e poi i passaggi matematici, il modello si può leggere così:

  • ogni pagina distribuisce il proprio contributo fra i link in uscita;
  • un link proveniente da una pagina con rango elevato può contribuire più di un link proveniente da una pagina periferica;
  • il calcolo è ricorsivo: per conoscere il rango delle sorgenti devi conoscere, a loro volta, i ranghi delle pagine che le citano;
  • il damping factor combina la parte che segue la struttura dei link con una quota di base indipendente dal grafo;
  • la matrice di transizione rappresenta in forma compatta tutte le probabilità di passaggio fra le pagine;
  • la power iteration ripete il calcolo finché la distribuzione cambia meno di una soglia stabilita;
  • la formula pubblicata documenta il PageRank storico. Google dichiara che PageRank esiste ancora, ma anche che si è evoluto molto rispetto all'origine.

L'idea decisiva è questa: PageRank non è una proprietà isolata della pagina. È una proprietà della pagina dentro un grafo.

Lo stesso link non trasferisce sempre lo stesso contributo

Nel modello originario, una pagina non possiede una quantità illimitata da assegnare a ogni destinazione. Distribuisce il proprio rango fra i link in uscita.

Se una pagina B ha rango 0,20 e collega due pagine, prima dell'applicazione del damping ciascun collegamento riceve una quota di 0,10. Se B collega cento pagine, la quota teorica per ciascuna destinazione scende a 0,002.

Questo passaggio introduce l'out-degree, cioè il numero di archi che escono dal nodo. Non dice che nella Search contemporanea tutti i link siano necessariamente trattati in modo uniforme. Descrive il modello pubblicato: il contributo della sorgente viene normalizzato per il numero dei suoi link in uscita.

La seconda differenza rispetto al conteggio è ricorsiva. La quota proveniente da B dipende dal PageRank di B. Per calcolare quel valore servono i contributi ricevuti da B, che dipendono dai ranghi delle rispettive sorgenti. Il risultato non emerge da una somma locale, ma da un equilibrio dell'intera rete.

La formula, senza saltare i passaggi

Una forma normalizzata molto usata è:

PR(A) = \frac{1-d}{N} + d \sum_{B \to A} \frac{PR(B)}{L(B)}

Dove:

  • PR(A) è il PageRank della pagina A;
  • N è il numero totale di pagine considerate;
  • d è il damping factor;
  • B → A indica le pagine B che collegano A;
  • L(B) è il numero di link in uscita dalla pagina B;
  • la somma raccoglie i contributi di tutte le sorgenti che puntano ad A.
La formula del PageRank separata in quota di base, damping factor e contributi normalizzati delle pagine sorgente.
Nella convenzione adottata, d pesa il percorso attraverso i link; la quota restante viene distribuita indipendentemente dagli archi.

La prima parte, (1-d)/N, assegna una quota di base a ogni pagina. La seconda parte raccoglie il valore che attraversa gli archi del grafo.

Con d = 0,85, nella convenzione appena usata, l'85% del passaggio dipende dai link e il 15% dalla distribuzione di base. Il valore 0,85 è utile per studiare l'esempio storico; non va presentato come parametro corrente di Google.

Una convenzione che può creare confusione

Non tutte le fonti chiamano il parametro nello stesso modo.

Nel brevetto Method for node ranking in a linked database, alpha indica la probabilità del salto casuale; il contributo dei link è quindi moltiplicato per 1-alpha. In molta letteratura successiva, invece, d indica la probabilità di seguire un link; la quota di salto diventa 1-d.

Le due formulazioni possono descrivere lo stesso meccanismo. Prima di confrontare due formule devi controllare quale evento rappresenta il parametro, non soltanto il simbolo utilizzato.

Il punto da ricordare

La formula contiene tre idee distinte: la sorgente ha un valore, lo divide fra le destinazioni e il sistema conserva una quota che non dipende dai link. Se ne elimini una, non stai più descrivendo lo stesso modello.

Un esempio con quattro pagine

Considera questo grafo:

  • A collega B e C;
  • B collega C;
  • C collega A;
  • D collega C.

Tutte le pagine hanno almeno un link in uscita. D non riceve link: non è un dangling node, perché collega C; è semplicemente un nodo senza archi entranti.

Partiamo da una distribuzione uniforme: ogni pagina vale 0,25. Applichiamo la formula con d = 0,85 e teleportation uniforme.

Dopo la prima iterazione otteniamo:

Pagina Valore iniziale Dopo una iterazione Valore stabile approssimato
A 0,250 0,250 0,373
B 0,250 0,144 0,196
C 0,250 0,569 0,394
D 0,250 0,038 0,038

C riceve contributi da A, B e D. A riceve da C, che diventa a sua volta il nodo con il rango più alto. B riceve soltanto metà del contributo di A, perché A divide il proprio valore fra due destinazioni. D, priva di backlink nell'esempio, conserva soltanto la quota di base.

Grafo diretto di quattro pagine con i valori iniziali, la prima iterazione e la distribuzione stabile del PageRank.
Con d = 0,85, la distribuzione iniziale uniforme converge verso un equilibrio determinato dalla struttura del grafo.

Il dato importante non è che C “vince”. È osservare come il risultato nasca dalla rete di dipendenze. Se aggiungi, rimuovi o sposti un arco, modifichi l'equazione di almeno una pagina e potenzialmente l'equilibrio di tutte le altre.

Dal grafo alla matrice di transizione

Scrivere un'equazione per ogni pagina diventa impraticabile quando i nodi sono milioni. La stessa struttura può essere rappresentata con una matrice.

Nel nostro esempio, costruiamo una matrice M nella quale la colonna della pagina sorgente distribuisce il suo valore fra le destinazioni. Se la pagina j collega la pagina i, l'elemento Mᵢⱼ vale 1/L(j); altrimenti vale zero.

Con l'ordine A, B, C, D:

M =
\begin{bmatrix}
0 & 0 & 1 & 0 \\
1/2 & 0 & 0 & 0 \\
1/2 & 1 & 0 & 1 \\
0 & 0 & 0 & 0
\end{bmatrix}

Ogni colonna descrive dove può andare il contributo della pagina corrispondente. La colonna di A contiene due valori 1/2; quella di B contiene un solo 1 verso C.

La formula diventa:

\mathbf{r} = dM\mathbf{r} + (1-d)\mathbf{v}

r è il vettore dei PageRank. v è il vettore di teleportation: nella versione uniforme, ogni componente vale 1/N.

L'orientamento di righe e colonne cambia fra testi diversi. Alcuni usano vettori riga e una matrice trasposta. Non è una differenza nel modello, purché la convenzione sia coerente e ogni distribuzione di probabilità sia normalizzata correttamente.

Perché il calcolo deve essere iterativo

L'equazione sembra chiedere il PageRank per calcolare il PageRank. È esattamente il punto della ricorsività.

La soluzione pratica parte da un vettore iniziale, spesso uniforme, e applica ripetutamente la trasformazione:

\mathbf{r}^{(k+1)} = dM\mathbf{r}^{(k)} + (1-d)\mathbf{v}

Dopo ogni passaggio, il valore si redistribuisce lungo il grafo. Le oscillazioni iniziali si riducono fino a quando la distanza fra due iterazioni consecutive scende sotto una soglia scelta.

Questo procedimento è chiamato power iteration. In termini di algebra lineare, cerca il vettore stazionario associato alla matrice di transizione. In termini più intuitivi, cerca una distribuzione che, dopo un altro passaggio attraverso il sistema, rimane sostanzialmente uguale.

Non significa che il Web debba restare immobile. Significa che il calcolo viene effettuato su una fotografia del grafo. Quando il grafo cambia, cambia anche il problema da risolvere.

Che cosa fa davvero il damping factor

Senza il termine indipendente dai link, una passeggiata sul grafo può restare intrappolata in componenti chiuse, oscillare fra gruppi di nodi o perdere massa quando incontra pagine prive di uscite, a seconda di come viene costruita la matrice.

La teleportation introduce una probabilità positiva di raggiungere pagine al di fuori del percorso corrente. Con una distribuzione uniforme e positiva, rende la catena irriducibile e aperiodica: esiste una distribuzione stazionaria unica e l'iterazione può convergere verso di essa.

Il damping factor controlla quindi un compromesso:

  • un valore più alto attribuisce maggiore influenza alla struttura dei link;
  • un valore più basso spinge la distribuzione verso il vettore di teleportation e riduce le differenze fra i nodi;
  • valori molto alti possono rendere il risultato più sensibile alla topologia e rallentare la convergenza.

Non è una percentuale di “link juice” che puoi osservare in Search Console. È un parametro del modello.

Il Random Surfer è un'interpretazione, non un utente misurato

La formula può essere interpretata immaginando un navigatore che, a ogni passaggio, segue uno dei link disponibili oppure salta verso un'altra pagina. La frequenza di visita di lungo periodo corrisponde alla distribuzione PageRank.

Questa metafora rende leggibili matrice e vettore stazionario. Non dimostra che Google misuri utenti reali che navigano in quel modo e non va confusa con click data, Chrome data o segnali comportamentali.

Il Random Surfer Model, le sue assunzioni e la distanza dal successivo Reasonable Surfer meritano un articolo autonomo. Qui serve soltanto a interpretare il termine di teleportation senza trasformarlo in un fatto sul comportamento degli utenti.

Dangling nodes e rank sinks: il bordo del modello

Una pagina senza link in uscita produce una colonna che non può essere normalizzata nel modo appena descritto. È un dangling node. Un gruppo di pagine che trattiene il valore senza restituirlo al resto del grafo può invece comportarsi come un rank sink.

Il technical report originario discuteva i dangling links e adottava un trattamento computazionale specifico. La letteratura successiva descrive soluzioni che redistribuiscono la massa secondo il vettore di teleportation.

Qui è sufficiente conservare il principio: una matrice di transizione deve specificare che cosa accade quando da un nodo non esiste una transizione ordinaria. Confrontare strumenti diversi senza controllare questo dettaglio può produrre valori differenti anche sullo stesso crawl.

Dangling nodes, spider traps e rank sinks non sono una nota marginale: determinano se il modello conserva la massa e se converge alla distribuzione attesa.

Importanza globale non significa rilevanza per ogni query

Il PageRank originario attribuisce un'importanza basata sul grafo prima di conoscere la query. Non stabilisce da solo se una pagina risponde a “come configurare un log server” o a “ristoranti aperti vicino a me”.

Il paper del 1998 descriveva un prototipo nel quale PageRank veniva combinato con informazioni testuali e altri elementi del retrieval. Già nel sistema storico, quindi, importanza globale e pertinenza rispetto alla query non erano sinonimi.

Questo evita due errori opposti:

  • pensare che una pagina con PageRank elevato debba posizionarsi per qualunque ricerca;
  • concludere che la struttura dei link sia irrilevante perché non contiene la query.

Il grafo e il contenuto rispondono a domande differenti. Un sistema di ranking può combinarli; non per questo diventano intercambiabili.

Il PageRank pubblicato non è la specifica di Google nel 2026

La documentazione contemporanea di Google afferma che PageRank continua a far parte dei core ranking systems e che il suo funzionamento si è evoluto molto rispetto alle origini. Documenta quindi una continuità, ma anche una discontinuità.

Le fonti pubbliche permettono di studiare con precisione il modello storico. Non permettono di conoscere:

  • la formula o le formule impiegate oggi;
  • i parametri correnti;
  • quali link siano considerati, ignorati o pesati diversamente;
  • la granularità effettiva dei nodi;
  • il modo in cui l'analisi dei link interagisce con gli altri sistemi.

Una simulazione del PageRank classico non è inutile. Diventa fuorviante quando il suo numero viene etichettato come “PageRank Google” o convertito direttamente in una previsione di traffico.

Che cosa cambia per la SEO

L'architettura è un sistema di distribuzione

Un link interno collega una destinazione, ma modifica anche la ripartizione della sorgente. Aggiungere cento link a una pagina di navigazione non equivale ad aggiungere cento unità di valore: cambia il denominatore e crea nuovi percorsi nel grafo.

Il modello non dice che devi ridurre indiscriminatamente i link. Navigazione, discovery, accessibilità e comprensione vengono prima di qualsiasi esercizio di sculpting. Dice che il numero di collegamenti e la loro disposizione non sono variabili indipendenti.

Un cambiamento locale può avere effetti globali

Se rimuovi un collegamento fra due pagine, l'effetto teorico non si ferma alla destinazione. Il valore si ridistribuisce alle altre uscite della sorgente, modifica i loro ranghi e continua a propagarsi nelle iterazioni successive.

Per questo un confronto pre/post redesign è più utile di una lista di pagine ordinate una sola volta. La domanda non è soltanto “chi ha il punteggio più alto?”, ma “quale cambiamento strutturale ha prodotto questa differenza?”.

I simulatori sono modelli diagnostici

Due crawler possono produrre risultati diversi perché vedono URL differenti, trattano redirect, canonical, nofollow o parametri in modo diverso e adottano convenzioni diverse per dangling nodes e teleportation.

Prima di fidarti di una metrica proprietaria, chiedi:

  • quali URL entrano nel grafo;
  • quali collegamenti vengono esclusi;
  • come vengono trattati i nodi senza uscite;
  • quale damping factor viene usato;
  • se il vettore di teleportation è uniforme;
  • quale soglia arresta l'iterazione.

Se lo strumento non rende visibili queste scelte, il numero può essere comodo ma non è pienamente interpretabile.

Se devi decidere

Se devi approvare una migrazione o un redesign, usa il PageRank interno come confronto controllato, non come oracolo.

  1. Costruisci il grafo attuale e quello proposto con le stesse regole di crawling.
  2. Controlla quali sezioni guadagnano o perdono percorsi, non soltanto punteggio.
  3. Isola le modifiche prodotte da menu, breadcrumb, paginazioni e link contestuali.
  4. Verifica che le pagine strategiche restino scopribili e coerenti con la gerarchia destinata agli utenti.
  5. Documenta parametri e trattamento dei casi limite, così il confronto può essere replicato.
  6. Non tradurre automaticamente una variazione del modello in una previsione di ranking o ricavi.

La formula è utile proprio perché costringe a dichiarare le assunzioni. Ti mostra che una gerarchia non è la somma dei suoi link, ma l'equilibrio prodotto dalle relazioni fra tutte le pagine considerate.

Fonti

Approfondimenti

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.

Cominciamo dal tuo progetto

Il tuo sito.
Il prossimo passo.

Raccontami la situazione e il risultato che vuoi raggiungere. Partiamo da una breve call conoscitiva.

francesco@taoweb.it