PageRank (nomeado por Larry Page) modela a web como grafo direcionado onde páginas são nós e hiperlinks são arestas. Calcula uma distribuição estacionária de um navegador aleatório que:
- Segue link de saída aleatório com probabilidade d (fator de amortecimento, tipicamente 0,85).
- "Teleporta" para página aleatória com probabilidade 1–d.
Formulação Matemática
Para página i:
PR(i) = (1-d)/N + d × Σ [PR(j) / L(j)]
onde j são páginas linkando para i, L(j) = links de saída de j, N = total de páginas.
Insights Principais
- Qualidade > Quantidade: Um link de página com alto PR vale mais que muitos de baixo PR.
- Links de saída diluem: Página divide seu "voto" entre todos links de saída.
- Cálculo iterativo: Método da potência converge em ~50–100 iterações sobre bilhões de páginas.
- PageRank Personalizado: Vetor de teleporte viesado para interesses do usuário (usado em recomendações).
Além do PageRank Original
Google agora usa centenas de sinais (relevância de conteúdo, UX, E-E-A-T, Page Experience, entendimento BERT/MUM). PageRank continua componente fundamental mas não único ranqueador.
Conclusões Práticas de SEO
- Conquiste backlinks editoriais de sites autoritários e relevantes.
- Pode links de saída de baixa qualidade; use
rel="nofollow" para pagos/não confiáveis.
- Melhore linkagem interna para distribuir PageRank às páginas-chave.
- Corrija erros de rastreamento, conteúdo duplicado, velocidade lenta – afetam ranqueamento mais que PR sozinho.
PageRank foi revolucionário em 1998; hoje é uma peça de um sistema massivo de ranqueamento orientado por ML.
