信息固有價值與其新聞價值內在關系的研究

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在關系。文章建立了“影響力函數”并利用改進了“貝葉斯模型”，兩模型相結合，再根據信息的固有價值、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以萬計的信息分類，最終篩選出可被當作新聞報道的有新聞價值的信息。

[關鍵詞]影響力函數；影響力矩陣；貝葉斯模型

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

1949年，兩位美國學者C.香農和W.韋弗在《傳播的數學理論》中首次提出“傳播過程的數學模型”，為信息傳播學的發展奠定了基礎。此后傳播學開始了飛速的發展，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在價值又該如何體現呢？下面我們通過兩個相關模型來解決以上問題。

1 影響力函數

當今社會，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”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；假設新聞被發布后在一定時間內不允許撤銷；假設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。

下面對函數中的系數進行定義：Y-事件發生的年份；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；U（Y）-在不同年份信息的影響力；In1n2-媒體1相對于媒體2的相關系數；Axn（Y）-在某一年份Y通過某一媒體n接受到信息x的人數；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和最大傳輸能力表示，即U1（Y）=M1（Y）f1（y）。當然，在手機之后很可能出現第六種傳播媒介，我們在模型中也將此可能性算在內。所以，總的影響力函數，可表示為：

相關系數In1n2的引入是因為考慮到了不同媒體將會對同一個人產生不同的影響，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容會有所不同，就會分別對這個人產生不同的影響。在引入相關系數這一概念后，影響力函數可表示為：

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

2 優化函數

在之前的模型中，我們定義相關系數I為一常數，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，這便導致了相關系數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”INTn的變量。

因此，將相關系數代入“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 影響力函數與貝葉斯模型的結合

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，逆向溯源人們接收到的信息的來源。兩個方向結合，使得模型預測的精確度更高、對于數據的波動更穩定。

傳統的基于信息過濾的模型對于分析復雜的時間關系仍有欠缺。它很難分析出過濾系統中的內在關系。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之間的相互聯系。與傳統模型不同的是，基于貝葉斯模型的信息過濾系統可以處理更加復雜的信息。

貝葉斯模型是概率圖模型，通過一個定向的非循環的圖表表示一個由隨機變量及其依賴因素所組成的系統。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。H代表社會熱點，G代表所接收信息的關鍵詞，F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。根據此模型，可做出五條假設：

（1）如果F=1，E：P（E|F）=1。

（2）如果F=0，P（E|-F）=f。f：相關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，在實際應用中需要把各種簡單模型相結合，整合出一個復雜的可應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）.