本技術(shù)涉及網(wǎng)頁排序，具體而言，涉及一種基于量子行走的網(wǎng)頁排序方法。

背景技術(shù)：

1、傳統(tǒng)計算由于采用的是二進制系統(tǒng)，以0和1作為基本單位進行計算，量子計算機內(nèi)部運行的是量子比特，其能夠同時處于多個狀態(tài)，因此量子比特比傳統(tǒng)比特可以攜帶更多的信息，從而減少指數(shù)倍計算量，使得量子計算機能夠處理網(wǎng)頁排序算法時候表現(xiàn)更高的效率。

2、隨著信息技術(shù)的迅速發(fā)展，類似網(wǎng)頁排序等傳統(tǒng)算法在處理大規(guī)模、復(fù)雜性高的問題時表現(xiàn)出了局限性。在這種背景下，量子計算作為一種基于量子力學(xué)原理的全新計算范式，呈現(xiàn)出了巨大的潛力。在量子力學(xué)的奇特性質(zhì)下，量子比特的疊加態(tài)和糾纏態(tài)賦予了量子計算機超越經(jīng)典計算機的獨特優(yōu)勢。此外，量子糾纏的特性使得量子計算機能夠進行高效的并行計算，解決許多傳統(tǒng)計算機無法處理的復(fù)雜問題。量子行走作為量子人工智能算法中的重要概念，具有許多獨特的性質(zhì)被廣泛應(yīng)用于搜索算法，其相較于經(jīng)典隨機游走具有更快速的搜索速度和更高的搜索精度，其利用量子疊加和干涉效應(yīng)，提高了搜索過程的效率和準(zhǔn)確性。同時，量子行走具有并行性優(yōu)勢，能夠同時探索多個可能的路徑，從而加速搜索過程。而傳統(tǒng)的基于圖的網(wǎng)頁排序算法需要進行長時間大量的運算，并且隨著網(wǎng)頁數(shù)量的增加，圖的結(jié)構(gòu)復(fù)雜性也呈指數(shù)增加，最終導(dǎo)致無法探索計算出網(wǎng)頁的排序特點，但這確實量子計算的優(yōu)勢。

3、綜上所述，量子行走以其具有量子疊加和干涉效應(yīng)的特點，能夠在網(wǎng)頁排序等圖論問題中有更加高效的表現(xiàn)，尤其是在復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)中能夠更快的挖掘出有效的信息。不僅如此，由于量子本身具有的并行運算優(yōu)勢，量子行走中的比特量子比特可以同時處于多個狀態(tài)的疊加態(tài)，使得搜索過程具有一定程度的并行性，能夠同時探索多個可能的路徑，提高了搜索的效率。網(wǎng)頁排序算法最早為了評估互聯(lián)網(wǎng)上網(wǎng)頁的重要性和排名而設(shè)計出來的，是搜索引擎排名算法中最為經(jīng)典和重要的一種方法。

4、然而隨著其圖論的本質(zhì)思想在不斷擴展，其所應(yīng)用的場景也越來越廣泛。但是隨著網(wǎng)頁結(jié)點個數(shù)的增加，其算法本身的適用也迎來了挑戰(zhàn)，其算法的時間復(fù)雜度會隨著網(wǎng)頁結(jié)點個數(shù)的增加呈指數(shù)上漲，因此，如何提高算法運行的效率成為本領(lǐng)域技術(shù)人員所要解決的眾多問題之一。

技術(shù)實現(xiàn)思路

1、本技術(shù)的目的在于，為了克服現(xiàn)有的技術(shù)缺陷，提供了一種基于量子行走的網(wǎng)頁排序方法，在基于量子行走算符中引入可調(diào)相位參數(shù)，使得相應(yīng)量子網(wǎng)頁排序算法的結(jié)果在參數(shù)空間呈現(xiàn)出聚類效果。

2、本技術(shù)目的通過下述技術(shù)方案來實現(xiàn)：

3、第一方面，本技術(shù)提出了一種基于量子行走的網(wǎng)頁排序方法，所述方法包括：

4、步驟s1、根據(jù)多個網(wǎng)頁之間的跳轉(zhuǎn)關(guān)系得到網(wǎng)頁跳轉(zhuǎn)關(guān)系的有向無權(quán)圖；

5、步驟s2、對所述有向無權(quán)圖進行處理得到量子網(wǎng)頁排序算符；

6、步驟s3、利用量子網(wǎng)頁排序算符計算多個網(wǎng)頁結(jié)點的量子初態(tài)，利用演化算子對量子初態(tài)進行迭代得到每個網(wǎng)頁的迭代概率；

7、步驟s4、對最后一個周期的迭代概率求方差、冪律、相關(guān)性和糾纏性；

8、步驟s5、改變變量子初態(tài)的旋轉(zhuǎn)相位，重復(fù)步驟s2至s4得到不同旋轉(zhuǎn)相位的方差、冪律、相關(guān)性和糾纏性；

9、步驟s6、利用k-means算法對不同旋轉(zhuǎn)相位的方差進行聚類得到聚類結(jié)果；

10、步驟s7、基于聚類結(jié)果對不同相位的網(wǎng)頁概率方差、冪律、相關(guān)性和糾纏性進行分析得到正相關(guān)和負相關(guān)。

11、在一種可能的實施方式中，步驟s2、對所述有向無權(quán)圖進行處理得到量子網(wǎng)頁排序算符的步驟，包括：

12、對所述有向無權(quán)圖進行歸一化處理得到相干連通度矩陣；

13、對相干連通度矩陣進行矩陣運算得到量子網(wǎng)頁排序算符。

14、在一種可能的實施方式中，對相干連通度矩陣進行矩陣運算得到量子網(wǎng)頁排序算符的步驟，包括：

15、對相干連通度矩陣中的元素進行賦值得到谷歌矩陣；

16、對谷歌矩陣進行矩陣運算得到量子網(wǎng)頁排序算符；

17、其中賦值過程為：h為谷歌矩陣，pj為網(wǎng)頁結(jié)點，outdeg(pj)為網(wǎng)頁結(jié)點的出度，bi為與網(wǎng)頁結(jié)點鏈接的所有結(jié)點，n為結(jié)點個數(shù)。

18、在一種可能的實施方式中，量子網(wǎng)頁排序算符g為：其中α為阻尼參數(shù)，n為結(jié)點個數(shù)，h為谷歌矩陣。

19、在一種可能的實施方式中，步驟s3、利用量子網(wǎng)頁排序算符計算多個網(wǎng)頁結(jié)點的量子初態(tài)，利用演化算子對量子初態(tài)進行迭代得到每個網(wǎng)頁的迭代概率的步驟，包括：

20、將量子網(wǎng)頁排序算符利用張量計算公式計算出中間張量|ψi>，張量計算公式為：其中i為szegedy量子行走算法中原圖中的圖節(jié)點的符號，k為szegedy量子行走算法中副本圖中的圖節(jié)點的符號，|>1為量子行走算法中原圖的量子態(tài)，|>2為量子行走算法中副本圖中的量子態(tài)，為張量算符；

21、通過歸一化方式利用中間張量計算出多個網(wǎng)頁結(jié)點的量子初態(tài)|ψ0>，量子初態(tài)|ψ0>的計算公式為：其中n為結(jié)點個數(shù)；

22、利用迭代公式對量子初態(tài)|ψ0>進行迭代得到迭代結(jié)果，迭代公式為：|ψf(t,θ1,θ2)>＝wt|ψ0>，t為迭代次數(shù)，θ1，θ2均為旋轉(zhuǎn)相位，w為量子網(wǎng)頁排序算符的演化算子；

23、對迭代結(jié)果進行量子觀測得到每個網(wǎng)頁的迭代概率iq(pi,t,θ1,θ2)，其中迭代概率iq(pi,t,θ1,θ2)＝||2<i||ψf(t,θ1,θ2)>||2，pi代表第i個網(wǎng)頁結(jié)點的概率。

24、在一種可能的實施方式中，最后一個周期的迭代概率求方差的步驟為：

25、計算最后一個周期的概率平均值其中t為周期，t為迭代次數(shù)，iq(pi,t,θ1,θ2)為迭代概率；

26、根據(jù)概率平均值計算出方差σ(θ1,θ2)：

27、在一種可能的實施方式中，最后一個周期的迭代概率求冪律的步驟為：

28、通過最小二乘法對iq(pi,θ1,θ2)＝i-β中的斜率進行擬合，其中β為擬合得到的斜率，i代表網(wǎng)頁排序獲得的概率向量中對應(yīng)第i個序數(shù)，n代表網(wǎng)頁排序中網(wǎng)頁節(jié)點的總個數(shù)。

29、在一種可能的實施方式中，相關(guān)性c(θ1,θ2)的計算公式為：其中λj為|ψf(t,θ1,θ2)><ψf(t,θ1,θ2)||ψf(t)><ψf(t)|的特征值，diag表示取對應(yīng)矩陣的對角線元素。

30、在一種可能的實施方式中，糾纏性的計算步驟為：

31、對量子態(tài)|ψf(t,θ1,θ2)>進行處理得到中間矩陣em＝|ψf(t,θ1,θ2)><ψf(t,θ1,θ2)|；

32、對中間矩陣em求特征值得到多個特征值{λ1,λ2,λ3,...,λe}；

33、對特征值進行處理得到一個周期的量子糾纏的度量

34、上述本技術(shù)主方案及其各進一步選擇方案可以自由組合以形成多個方案，均為本技術(shù)可采用并要求保護的方案；且本技術(shù)，(各非沖突選擇)選擇之間以及和其他選擇之間也可以自由組合。本領(lǐng)域技術(shù)人員在了解本技術(shù)方案后根據(jù)現(xiàn)有技術(shù)和公知常識可明了有多種組合，均為本技術(shù)所要保護的技術(shù)方案，在此不做窮舉。

35、本技術(shù)公開了一種基于量子行走的網(wǎng)頁排序方法，先根據(jù)多個網(wǎng)頁之間的跳轉(zhuǎn)關(guān)系得到網(wǎng)頁跳轉(zhuǎn)關(guān)系的有向無權(quán)圖，對有向無權(quán)圖進行處理得到量子網(wǎng)頁排序算符，計算多個網(wǎng)頁結(jié)點的量子初態(tài)，利用演化算子對量子初態(tài)進行迭代得到每個網(wǎng)頁的迭代概率，對最后一個周期的迭代概率求方差、冪律、相關(guān)性和糾纏性，改變變量子初態(tài)的旋轉(zhuǎn)相位，利用k-means算法對不同旋轉(zhuǎn)相位的方差進行聚類得到聚類結(jié)果，進行分析得到正相關(guān)和負相關(guān)。在基于量子行走算符中引入可調(diào)相位參數(shù)，使得相應(yīng)量子網(wǎng)頁排序算法的結(jié)果在參數(shù)空間呈現(xiàn)出聚類效果設(shè)置參數(shù)空間中不同聚類范圍內(nèi)的相位參數(shù)來進行量子網(wǎng)頁排序，挖掘出復(fù)雜網(wǎng)絡(luò)中的重要節(jié)點重要性的排序，為復(fù)雜網(wǎng)絡(luò)節(jié)點分析提供工具。