1701009056
1701009057
1701009058
1701009059
1701009060
1701009061
又由于Google矩阵是非负矩阵，故上式可以写为，即每个特征值的模不大于其最大行和，而矩阵AT行和均为1，即｜λ｜≤1，即性质1得证。
1701009062
1701009063
性质2：Google矩阵的最大特征值λ1为1（当A为正矩阵时，最大特征值为单根）。
1701009064
1701009065
在此我们得首先引入矩阵不可约的概念：若矩阵A对应的有向拓扑是强连通的，即从任一节点i到j都是有路径的，就称矩阵A是不可约的。
1701009066
1701009067
由性质1可知，Google矩阵的特征值λ满足｜λ｜≤1，又由于AT的行和为1，故1显然为AT的特征值，所以1也是A的特征值，所以1就是A的最大特征值。但由于现实网络不都是强连通的，故Google矩阵的最大特征值就不一定是单根，则此时对应的主特征向量也就不止一个，造成网页的pagerank不唯一。
1701009068
1701009069
1701009070
为了简化问题，我们将Google矩阵中c=0.85和v的所有元素均为，这样Google矩阵A就成为了一个所有元素均为正的矩阵。
1701009071
1701009072
显然，正矩阵是不可约的，于是由Perrons定理可知，λ1=1是A的单特征根，即性质2得证。
1701009073
1701009074
性质3：设λ2为A的第二特征值，即λ2是A的第二大的特征值，则｜λ2｜≤c。
1701009075
1701009076
在此我们得首先要证明A的非主特征值的特征向量正交于向量e（其中e为n维全一的向量）。设A的非主特征值λ对应的特征向量为a，即Aα＝λα，故有如下等式：
1701009077
1701009078
1701009079
1701009080
1701009081
1701009082
其中是因为A是列和为1的矩阵，故AT是行和为1的矩阵，所以ATe＝e。
1701009083
1701009084
又由于λ1是单特征根，所以λ不等于1，所以αTe＝0，即αT与e正交。
1701009085
1701009086
设矩阵A对应于特征值λ2的单位特征向量为b，则Aβ=λ2β，两边同时左乘βT，即：
1701009087
1701009088
1701009089
1701009090
1701009091
1701009092
1701009093
而，因而所以：
1701009094
1701009095
1701009096
1701009097
1701009098
1701009099
而B是一个Markov矩阵，故行和为1，所以，即性质3得证。
1701009100
1701009101
Google矩阵是网页评级系统的核心，由于Google矩阵定义的特殊性，使得Google矩阵存在着许多特殊的性质。通过本节的学习，读者可以对Google矩阵有一个大概的了解，有兴趣的读者可以通过自己的研究发现Google矩阵的其他更好的性质，从而提高Google搜索引擎的效率。
1701009102
1701009103
1701009104
1701009105