每一個網站都有超連結 (hyperlink) 到另一個網站，該網站會將自己的 Page Rank Value 均勻分配給連出去的網站。當一個網站被連接的次數越多，則網站的 Page Rank 越高。

將 $N$ 個網站之間的關係轉為 Graph，計算轉換成馬可夫過程。但馬可夫過程容易造成 Page Rank 失算，因為有些點並沒有出度 (連接到別的網站)，數值就會隨著迭代集中到這個孤島上 (或者說蜘蛛網)，造成其他點的 Page Rank 皆為 0。為了防止這一點，給予 Page Rank 的總和 $N$。轉移只有 $\alpha$ 的信任度，剩餘的 $1-\alpha$ 將隨機選擇全局的網站進行轉移。

例如

1: 2, 3, 4
2: 3, 4
3: 4
4: 2

$$S_{n\times n}=\left[\begin{array}{cccc}0& 0& 0& 0\\ 1/3& 0& 0& 1\\ 1/3& 1/2& 0& 0\\ 1/3& 1/2& 1& 0\end{array}\right]$$

根據 $G=\alpha S+(1-\alpha )\frac{1}{n}U,;\alpha =0.85$ 得到

$$\begin{gathered} \beta =(1-\alpha )/4=0.375 \\ {G}_{n\times n}=\left[\begin{array}{cccc}0\times 0.85+\beta & \beta & \beta & \beta \\ 1/3\times 0.85+\beta & \beta & \beta & 1\times 0.85+\beta \\ 1/3\times 0.85+\beta & 1/2\times 0.85+\beta & \beta & \beta \\ 1/3\times 0.85+\beta & 1/2\times 0.85+\beta & 1\times 0.85+\beta & \beta \end{array}\right] \end{gathered}$$

假設 Page Rank Vector $q^{\text{cur}}$ 和 $q^{\text{next}}$ 分別表示當前求得的結果和下一次的迭代數值，則

$$q^{\text{next}}=G{q}^{\text{cur}}$$

不斷地迭代直到 $|\overrightarrow{q^{\text{next}}{q}^{\text{cur}}}|<\epsilon$，其中 $\epsilon ={10}^{-10}$