Hits（HITS，Hyperlink-Induced Topic Search，超链接诱导主题搜索）是一种经典的链接分析排序算法，由 Jon Kleinberg 于 1999 年提出，通过区分页面的枢纽（Hub）与权威（Authority）两种角色来为网页打分，与 PageRank 并列为图结构排序的代表方法。如今 Hits 的思想早已超出网页搜索场景，被广泛借鉴到知识图谱、推荐系统和图神经网络等领域，围绕它的研究仍在持续演进。
Hits 思想在近期研究中的延伸
HITS 的核心是"相互增强"的评分机制，这一思想在近年多模态与知识图谱研究中频繁出现：
当前焦点与观察点
目前围绕 Hits 的讨论主要集中在三个方面。其一是与深度学习的融合：图神经网络在消息传递中实质上继承了 Hits 式的双向聚合思想，但如何避免过平滑、何时引入权重训练，仍是开放问题。其二是应用迁移：从知识图谱问答到实体对齐，Hits 类结构化打分在检索增强、RAG 证据链验证等场景中被重新启用。其三是效率与规模：面对十亿级节点图，传统 Hits 需要多次迭代计算幂法收敛，工程实现上常被近似方法或 PageRank 替代，这也是两者在工业界采用度上出现分化的重要原因。
总体来看，Hits 作为算法本身已进入稳定期，但它的"枢纽—权威"建模视角仍在图机器学习研究中持续输出方法论价值。对于关注搜索排序与图算法的读者，Hits 的理论脉络仍是理解现代图排序技术绕不开的一环。