网页P2没有任何链接。因此，在每个迭代步骤中，它从网页P1获取了一些重要性，但却没有赋给其他任何网页。这样将耗尽网络中的所有重要性。没有任何链接的网页称为悬挂点（da
gli
g
odes），显然在我们要研究的实际网络中存在很多这样的点。稍后我们将看到如何处理这样的点，在此之前我们先考虑一种新的理解矩阵H和平稳向量
I的思路。
H的概率化解释
想象我们随机地在网上跳转网页；也就是说，当我们访问一个网页时，一秒钟后我们随机地选择当前网页的一个链接到达另一个网页。例如，我们正访
f问含有lj个链接的网页Pj，其中一个链接引导我们访问了网页Pi，那么下一步转到网页Pi的概率就是1lj。
由于跳转网页是随机的，我们用Tj表示停留在网页Pj上的时间。那么我们从网页Pj转到网页Pi的时间为Tjlj。如果我们转到了网页Pi，那么我们必然是从一个指向它的网页而来。这意味着
Ti∑Pj∈BiTjlj
其中求和是对所有链接到Pi的网页Pj进行的。注意到这个方程与定义网页排序值的方程相同，因此IPiTi。那么一个网页的网页排序值可以解释为随机跳转时花在这个网页上的时间。如果你曾经上网浏览过某个你不熟悉的话题的相关信息时，你会有这种感觉：按照链接跳转网页，过一会你会发现，相较于其他网页，你会更频繁地回到某一部分网页。正如谚语所说“条条大路通罗马，”这部分网页显然是更重要的网页。
基于这个解释，很自然地可以要求网页排序向量I的所有元之和为1。
当然，这种表述中还存在一个问题：如果我们随机地跳转网页，在某种程度上，我们肯定会被困在某个悬挂点上，这个网页没有给出任何链接。为了能够继续进行，我们需要随机地选取下一个网页；也就是说，我们假定悬挂点可以链接到其他任何一个网页。这个效果相当于将超链矩阵H做如下修正：将其中所有元都为0的列替换为所有元均为1
的列，前者就对应于网页中的悬挂点。这样修正后悬挂点就不存在了。我们称修正后的新矩阵为S。
我们之前的例子，现在就变成了
f换言之，网页P2的重要性是网页P1的两倍，符合你的直观认知了。
矩阵S有一个很好的性质，即其所有元均非负且每列的和均为1。换言之，S为随机r