信息固有价值与其新闻价值内在关系的研究

王睿琦+史兴萍+郝奕斐

[摘要]文章从信息流入公众的途径以及根据接受到的信息溯源媒体形式，从正反两方面探讨信息的本身固有价值与其新闻价值的内在关系。文章建立了“影响力函数”并利用改进了“贝叶斯模型”，两模型相结合，再根据信息的固有价值、信息的传播途径、信息的传播速度以及公众兴趣这几个影响因子将数以万计的信息分类，最终筛选出可被当作新闻报道的有新闻价值的信息。

[关键词]影响力函数；影响力矩阵；贝叶斯模型

[DOI]10.13939/j.cnki.zgsc.2016.41.207

1949年，两位美国学者C.香农和W.韦弗在《传播的数学理论》中首次提出“传播过程的数学模型”，为信息传播学的发展奠定了基础。此后传播学开始了飞速的发展，那么，我们该如何在纷杂的信息中判别真假，如何甄别谣言还是事实，信息的固有价值和内在价值又该如何体现呢？下面我们通过两个相关模型来解决以上问题。

1 影响力函数

当今社会，信息的传播途径主要有五种，可归类为：报纸、广播、电视、电脑和手机。模型“影响力函数”是为了描述不同种类媒体的影响力所建立的。

首先我们假设该模型是在以下条件下成立的：不考虑同种媒体间的竞争；假设新闻被发布后在一定时间内不允许撤销；假设人们对一种媒介的喜爱不会影响对另一种媒介的接受程度。

下面对函数中的系数进行定义：Y-事件发生的年份；fn（Y）-对个人的最大传输能力，即不同年份不同各类的媒体的传输速度；Mn（Y）-在不同年份收到媒体影响的人数；U（Y）-在不同年份信息的影响力；In1n2-媒体1相对于媒体2的相关系数；Axn（Y）-在某一年份Y通过某一媒体n接受到信息x的人数；Hxn（Y）-公众对某一来源于媒体n的信息的感兴趣程度；τ（y）-时间因子。

下面，我们来对这些符号进行解释和建模。

我们定义媒体的影响力可用该媒体的接收人数和最大传输能力表示，即U1（Y）=M1（Y）f1（y）。当然，在手机之后很可能出现第六种传播媒介，我们在模型中也将此可能性算在内。所以，总的影响力函数，可表示为：

相关系数In1n2的引入是因为考虑到了不同媒体将会对同一个人产生不同的影响，一个人受某种媒体影响的同时也会受到其他媒体形式的影响。如一个人在看报纸的同时也听了广播，那么同一个事件在不同媒体中的报道内容会有所不同，就会分别对这个人产生不同的影响。在引入相关系数这一概念后，影响力函数可表示为：

在1920年，阅读报纸的人数相对于1910年读报纸的人数变化了（1+I11）。同时，由于广播的影响出现，随着听广播人数的增多，对读报纸人数的影响用I21表示。通过对以往数据的计算，在不考虑大众喜爱程度的情况下，I为一定值。

2 优化函数

在之前的模型中，我们定义相关系数I为一常数，不考虑公众对某一媒体或信息的喜爱对该信息传播的影响。但是，人们总是偏向于阅读自己感兴趣的话题，这便导致了相关系数I的变化。事实上，I的变化受到INTn的影响。例如：电视传输信息的方式不仅仅是文字和声音，还有图片影像，那么相对于报纸和广播，电视这种媒介就更受公众热爱。在考虑了公众兴趣后Axn（Y）和Hxn（Y）将会作为“兴趣函数”INTn的变量。

因此，将相关系数代入“影响矩阵”后便得到一新的矩阵，考虑了观众偏好的情况这一主观因素。

3 影响力函数与贝叶斯模型的结合

已有的贝叶斯模型分析了媒体筛选信息的方法，来解释传播方式是怎么影响重要性的，它是正向分析信息传播到人的过程。我们引入了影响函数，逆向溯源人们接收到的信息的来源。两个方向结合，使得模型预测的精确度更高、对于数据的波动更稳定。

传统的基于信息过滤的模型对于分析复杂的时间关系仍有欠缺。它很难分析出过滤系统中的内在关系。为了解决这一问题，我们改进了贝叶斯模型。一开始，N维向量被用来解决模型过滤的问题，但这种模型有一定的局限性。

N维矢量模型是基于余弦定理cos<α，β>=α·βα·β的模型。在我们的讨论中，可将N维向量A=[K1， K2， K3， …， Kn]作为一相对于媒体的向量，其中K代表媒体所接收到的不同种类信息的范围。向量B=[S1，S2，S3，…，Sl]，其中S表示新闻的分类特性，如政治、体育、娱乐等。所以cos的值表示了A和B之间的相互联系。与传统模型不同的是，基于贝叶斯模型的信息过滤系统可以处理更加复杂的信息。

贝叶斯模型是概率图模型，通过一个定向的非循环的图表表示一个由随机变量及其依赖因素所组成的系统。所有的信息分类都需要此步骤。首先，我们需要定义模型中的参数。H代表社会热点，G代表所接收信息的关键词，F代表读者的需求信息，E代表最终媒体报道出来的信息，即新闻。根据此模型，可做出五条假设：

（1）如果F=1，E：P（E|F）=1。

（2）如果F=0，P（E|-F）=f。f：相关信息随机组合的可能性。

（3）如果G=H=1，P（F|G，H）=1。

（4）如果H=1，G=0，P（F|-G，H）=0。

（5）如果H=0，G=1，P（F|G，-H）=1。

这些假设可以处理一些简单信息，但对于媒体筛选有新闻价值的信息仍过于简单。因此，在实际应用中需要把各种简单模型相结合，整合出一个复杂的可应对实际情况的模型再进行分析。本文中，只简单引出贝叶斯这一概念，对复杂模型不予详细描述。

参考文献：

WU Shao-bing.Study of Network Information Filtering Technique Based on Bayesian Method[J].Journal of Computer Research and Development，2012（5）.