现今互联网信息技术迅猛发展,似乎在一夜之间,大数据(Big Data)变成一个最流行的词汇。用户在利用搜索引擎便捷获取各类信息的同时,也面临着如何从海量数据中剔除那些影响信息检索效率及准确度的冗余信息的问题。在一般情况下,鉴于用户只关注返回目标网页的前几页,因此对搜索结果进行网页排序,改善搜索质量,提高用户满意度显得尤为重要。对于网页,除了文本信息,页面间的链接结构也是人们获取有用信息的重要途径。经典的网页排序算法---Page Rank正是使用网页间的链接结构对各网页的权重值进行迭代计算,很大程度上提高了对网页权重计算的精准度。但是Page Rank算法仍存在许多待研究及待突破的不足,开展相关研究具有重要应用价值。本文首先阐述了基于Map Reduce的Page Rank算法的研究背景和意义,然后对该算法的国内外研究现状进行了分析总结。在此基础上,着重分析出算法中影响性能和准确度的关键因素,即迭代次数和“主题漂移”,进而提出了改进算法:子图估算Page Rank网页排序算法及个性化智能推荐的权值分配方法。然后对所改进算法进行理论分析,包括算法的迭代次数,时间复杂度和准确性。最后,在Map Reduce编程模型上实现Page Rank算法及其改进算法,并通过实验数据对比分析证明算法的合理性、有效性。与传统算法相比,改进后的算法时间复杂度低,迭代次数少,准确度较高。