王睿琦+史興萍+郝奕斐

[摘要]文章從信息流入公眾的途徑以及根據(jù)接受到的信息溯源媒體形式，從正反兩方面探討信息的本身固有價值與其新聞價值的內(nèi)在關(guān)系。文章建立了“影響力函數(shù)”并利用改進了“貝葉斯模型”，兩模型相結(jié)合，再根據(jù)信息的固有價值、信息的傳播途徑、信息的傳播速度以及公眾興趣這幾個影響因子將數(shù)以萬計的信息分類，最終篩選出可被當(dāng)作新聞報道的有新聞價值的信息。

[關(guān)鍵詞]影響力函數(shù)；影響力矩陣；貝葉斯模型

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

1949年，兩位美國學(xué)者C.香農(nóng)和W.韋弗在《傳播的數(shù)學(xué)理論》中首次提出“傳播過程的數(shù)學(xué)模型”，為信息傳播學(xué)的發(fā)展奠定了基礎(chǔ)。此后傳播學(xué)開始了飛速的發(fā)展，那么，我們該如何在紛雜的信息中判別真假，如何甄別謠言還是事實，信息的固有價值和內(nèi)在價值又該如何體現(xiàn)呢？下面我們通過兩個相關(guān)模型來解決以上問題。

1 影響力函數(shù)

當(dāng)今社會，信息的傳播途徑主要有五種，可歸類為：報紙、廣播、電視、電腦和手機。模型“影響力函數(shù)”是為了描述不同種類媒體的影響力所建立的。

首先我們假設(shè)該模型是在以下條件下成立的：不考慮同種媒體間的競爭；假設(shè)新聞被發(fā)布后在一定時間內(nèi)不允許撤銷；假設(shè)人們對一種媒介的喜愛不會影響對另一種媒介的接受程度。

下面對函數(shù)中的系數(shù)進行定義：Y-事件發(fā)生的年份；fn（Y）-對個人的最大傳輸能力，即不同年份不同各類的媒體的傳輸速度；Mn（Y）-在不同年份收到媒體影響的人數(shù)；U（Y）-在不同年份信息的影響力；In1n2-媒體1相對于媒體2的相關(guān)系數(shù)；Axn（Y）-在某一年份Y通過某一媒體n接受到信息x的人數(shù)；Hxn（Y）-公眾對某一來源于媒體n的信息的感興趣程度；τ（y）-時間因子。

下面，我們來對這些符號進行解釋和建模。

我們定義媒體的影響力可用該媒體的接收人數(shù)和最大傳輸能力表示，即U1（Y）=M1（Y）f1（y）。當(dāng)然，在手機之后很可能出現(xiàn)第六種傳播媒介，我們在模型中也將此可能性算在內(nèi)。所以，總的影響力函數(shù)，可表示為：

相關(guān)系數(shù)In1n2的引入是因為考慮到了不同媒體將會對同一個人產(chǎn)生不同的影響，一個人受某種媒體影響的同時也會受到其他媒體形式的影響。如一個人在看報紙的同時也聽了廣播，那么同一個事件在不同媒體中的報道內(nèi)容會有所不同，就會分別對這個人產(chǎn)生不同的影響。在引入相關(guān)系數(shù)這一概念后，影響力函數(shù)可表示為：

在1920年，閱讀報紙的人數(shù)相對于1910年讀報紙的人數(shù)變化了（1+I11）。同時，由于廣播的影響出現(xiàn)，隨著聽廣播人數(shù)的增多，對讀報紙人數(shù)的影響用I21表示。通過對以往數(shù)據(jù)的計算，在不考慮大眾喜愛程度的情況下，I為一定值。

2 優(yōu)化函數(shù)

在之前的模型中，我們定義相關(guān)系數(shù)I為一常數(shù)，不考慮公眾對某一媒體或信息的喜愛對該信息傳播的影響。但是，人們總是偏向于閱讀自己感興趣的話題，這便導(dǎo)致了相關(guān)系數(shù)I的變化。事實上，I的變化受到INTn的影響。例如：電視傳輸信息的方式不僅僅是文字和聲音，還有圖片影像，那么相對于報紙和廣播，電視這種媒介就更受公眾熱愛。在考慮了公眾興趣后Axn（Y）和Hxn（Y）將會作為“興趣函數(shù)”INTn的變量。

因此，將相關(guān)系數(shù)代入“影響矩陣”后便得到一新的矩陣，考慮了觀眾偏好的情況這一主觀因素。

3 影響力函數(shù)與貝葉斯模型的結(jié)合

已有的貝葉斯模型分析了媒體篩選信息的方法，來解釋傳播方式是怎么影響重要性的，它是正向分析信息傳播到人的過程。我們引入了影響函數(shù)，逆向溯源人們接收到的信息的來源。兩個方向結(jié)合，使得模型預(yù)測的精確度更高、對于數(shù)據(jù)的波動更穩(wěn)定。

傳統(tǒng)的基于信息過濾的模型對于分析復(fù)雜的時間關(guān)系仍有欠缺。它很難分析出過濾系統(tǒng)中的內(nèi)在關(guān)系。為了解決這一問題，我們改進了貝葉斯模型。一開始，N維向量被用來解決模型過濾的問題，但這種模型有一定的局限性。

N維矢量模型是基于余弦定理cos<α，β>=α·βα·β的模型。在我們的討論中，可將N維向量A=[K1， K2， K3， …， Kn]作為一相對于媒體的向量，其中K代表媒體所接收到的不同種類信息的范圍。向量B=[S1，S2，S3，…，Sl]，其中S表示新聞的分類特性，如政治、體育、娛樂等。所以cos的值表示了A和B之間的相互聯(lián)系。與傳統(tǒng)模型不同的是，基于貝葉斯模型的信息過濾系統(tǒng)可以處理更加復(fù)雜的信息。

貝葉斯模型是概率圖模型，通過一個定向的非循環(huán)的圖表表示一個由隨機變量及其依賴因素所組成的系統(tǒng)。所有的信息分類都需要此步驟。首先，我們需要定義模型中的參數(shù)。H代表社會熱點，G代表所接收信息的關(guān)鍵詞，F(xiàn)代表讀者的需求信息，E代表最終媒體報道出來的信息，即新聞。根據(jù)此模型，可做出五條假設(shè)：

（1）如果F=1，E：P（E|F）=1。

（2）如果F=0，P（E|-F）=f。f：相關(guān)信息隨機組合的可能性。

（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。

這些假設(shè)可以處理一些簡單信息，但對于媒體篩選有新聞價值的信息仍過于簡單。因此，在實際應(yīng)用中需要把各種簡單模型相結(jié)合，整合出一個復(fù)雜的可應(yīng)對實際情況的模型再進行分析。本文中，只簡單引出貝葉斯這一概念，對復(fù)雜模型不予詳細描述。

參考文獻：

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