应用到期刊引文网络中的PageRank相关方法已经非常普遍了。如上所述，引文分析中全部或者几乎全部的PageRank前身的工作都与期刊引文网络相关。1998年PageRank方法提出之后，一些用于分析期刊引文网络、受PageRank启发的新方法被提出。现在，我们就讨论已做的最重要的工作。

第一个受PageRank启发的用于分析期刊引文网络的方法是由Bollen、Rodriguez、Van de Sompel（2006）提出的。作者认为他们的方法是一种加权的PageRank方法。这是因为它不像Web页面的链接关系那样，期刊间的引用关系自然有权重之分。Bollen等的加权PageRank方法不能修正一些期刊比另一些有更多出版物的事实。因此，多出版物的期刊通常要赋以更高的PageRank权值。这一点与Pinski和Narin方法不同，后者可以对期刊规模作一次修正。两种方法的另一个差别是加权的PageRank方法包含一个阻尼因子参数，而Pinski和Narin方法没有。

第二个受PageRank启发的用于分析期刊引文网络的方法是Eigenfactor方法（Bergstrom，2007；West，Bergstrom，Bergstrom，2010a）。实际上，这种方法在期刊引文网络中为每种期刊赋以两个值：一个是Eigenfactor值，另一个是文章影响值。Eigenfactor值依赖于期刊的规模，正如前面所述的加权PageRank值，而一种期刊的文章影响值已经被修正。从某种意义上说，文章影响值和期刊影响值类似。Eigenfactor方法和加权PageRank方法的区别是后者中每种期刊被选择的可能是同等的，而前者期刊被选择的概率与期刊发表的出版物数量对应。Eigenfactor方法的一个特性是不计期刊自引。一方面，这会使Eigenfactor方法更便于操作，但另一方面，它也导致较大规模期刊与较小规模期刊比较的缺陷。像期刊影响因素一样，Eigenfactor值和文章影响值都在汤森路透（Thomson Reuters）的期刊引文报告中被报道过。另外，Eigenfactor值和文章影响值也可在www.eigenfactor.org免费获取，但最新的值在网站上没有。大量已发表的文章中讨论和分析了Eigenfactor方法（Davis，2008；Franceschet，2010a，2010b，2010c；West，Bergstrom，Bergstrom，2010b）。Waltman和Van Eck（2010）讨论了Eigenfactor方法、Pinski和Narin方法（1976）的关系。(www.daowen.com)

第三个受PageRank启发的用于分析期刊引文网络的方法是SCImago Journal Rank（SJR）方法。SJR方法是由González-Pereira、Guerrero-Bote、Moya-Anegón（2010）提出的。近来，该方法已被修订（Guerrero-Bote，Moya-Anegón，2012）。像文章影响值一样，SJR值已因期刊规模而被修订。SJR方法要比加权PageRank方法和Eigenfactor方法更复杂些。例如，SJR方法有两个自由参数。另外，修正的SJR方法中，引用权重不仅依赖于引用期刊的“威望”，而且依赖引用期刊与被引期刊的“主题相近度”。SJR值可在Elsevier的Scopus数据库中获取，也可在www.scimagojr.com免费获取。