显然与各人的兴趣有关，但对于在平均意义上代表真实用户的虚拟用户来说，佩奇和布林假定它将会在整个互联网上随机选取一个网页进行访问。用数学语言来说，这相当于是把 h 的列向量中所有的零向量都换成 e/n (其中 e 是所有分量都为 1 的列向量， n 为互联网上的网页总数)。如果我们引进一个描述“悬挂网页”的指标向量(indicator vector) a，它的第 i 个分量的取值视 wi 是否为“悬挂网页”而定，如果是“悬挂网页”，取值为 1，否则为零，并用 s 表示修正后的矩阵，则：s = h + aet/n
显然，这样定义的 s 矩阵的每一列的矩阵元之和都是 1，从而是一个不折不扣的随机矩阵。这一修正因此而被称为随机性修正(stochasticity adjustment)。这一修正相当于剔除了“悬挂网页”，从而可以给上述第三个问题带来肯定回答(当然，这一回答没有绝对标准，可以不断改进)。不过，这一修正解决不了前两个问题。为了解决那两个问题，佩奇和布林引进了第二个修正。他们假定，虚拟用户虽然是虚拟的，但多少也有一些“性格”，不会完全死板地只访问当前网页所提供的链接。具体地说，他们假定虚拟用户在每一步都有一个小于 1 的几率α访问当前网页所提供的链接，同时却也有一个几率 1-α不受那些链接所限，随机访问互联网上的任何一个网站。用数学语言来说(请读者自行证明)，这相当于是把上述 s 矩阵变成了一个新的矩阵 g：g =αs +(1-α)eet/n
这个矩阵不仅是一个随机矩阵，而且由于第二项的加盟，它有了一个新的特点，即所有矩阵元都为正(请读者想一想，这一特点的“物理意义”是什么？)，这样的矩阵是所谓的素矩阵(primitive matrix)[注四]。这一修正因此而被称为素性修正(primitivity adjustment)。
经过这两类修正，网页排序的计算方法就变成了：pn = gnp0
这个算法能给上述问题提供肯定答案吗？是的，它能。因为随机过程理论中有一个所谓的马尔可夫链基本定理(fundamental theorem of markov chains)，它表明在一个马尔可夫过程中，如果转移矩阵是素矩阵，那么上述前两个问题的答案就是肯定的。而随机性修正已经解决了上述第三个问题，因此所有问题就都解决了。如果我们用 p 表示 pn 的极限，则 p 给出的就是整个互联网的网页排序——它的每一个分量就是相应网页的访问几率，几率越大，排序就越靠前。
这样，佩奇和布林就找到了一个不仅含义合理，而且数学上严谨的网页排序算法，他们把这个算法称为 pagerank，不过要注意的是，虽然这个名称的直译恰好是“网页排序”，但它实际上指的是“佩奇排序”，因为其中的“page”不是