新技術(shù)與新媒體的未來課件

1、新技術(shù)與新媒體的未來新技術(shù)與新媒體的未來 新媒體帶來了傳媒業(yè)的巨變。從報刊、廣播、電視“老三樣”到今天“兩微一端”、抖音、快手等新傳播載體層出不窮，新傳播技術(shù)正帶來嶄新的傳媒生態(tài)格局。網(wǎng)絡(luò)平臺越來越具有媒體的特征，騰訊、百度、網(wǎng)易、今日頭條、新浪、抖音、快手等頭部新媒體和超過300萬的自媒體傳播力、影響力日趨加大。傳播主渠道、輿論主陣地、意識形態(tài)斗爭的主戰(zhàn)場已轉(zhuǎn)場網(wǎng)絡(luò)，受眾已轉(zhuǎn)移到網(wǎng)上是不爭的事實。 移動傳播、自動推送、人臉識別等新的傳播手段的運(yùn)用使傳媒業(yè)態(tài)更加個性化、分眾化、場景化、體驗化。新一代媒體人不僅承載著探究真相、表達(dá)觀點(diǎn)、傳遞信息和價值的使命，還要使用機(jī)器、理解機(jī)器、駕馭機(jī)器。 新

2、媒體是由技術(shù)和資本雙輪驅(qū)動的。目前，對新媒體發(fā)展影響最大的技術(shù)莫過于人工智能技術(shù)和推薦算法。第 17 章 新技術(shù)與新媒體的未來 新媒體帶來了傳媒業(yè)的巨變。從報刊、廣播、電視“第 17 章 新技術(shù)與新媒體的未來第1節(jié) 人工智能會取代記者嗎第2節(jié) 新聞推薦算法第 17 章 新技術(shù)與新媒體的未來第1節(jié) 人工智能會取代記 2016年谷歌機(jī)器人阿爾法狗(AlphaGo)大比分擊敗韓國圍棋高手李世石。 2017年年初，人工智能圍棋Master在一周內(nèi)橫掃柯潔、樸廷桓、井山裕太等中日韓頂尖高手，戰(zhàn)績停留在令人恐怖的60勝0負(fù)。Master已經(jīng)被確認(rèn)是2016年人機(jī)大戰(zhàn)主角AlphaGo的升級版。第 1 節(jié)

3、人工智能會取代記者嗎 2016年谷歌機(jī)器人阿爾法狗(AlphaGo)大比分擊敗一、哪些職業(yè)容易被取代在計算機(jī)能夠充分掌握數(shù)據(jù)的領(lǐng)域，人工智能能夠替代部分工作。司機(jī)、技工、建筑工人、裁縫、快遞員、抄表員、收銀員、保安 和洗碗工職業(yè)中可自動化、計算機(jī)化的任務(wù)越多，就越有可能被交給機(jī)器完成，其中以行政、銷售、服務(wù)業(yè)最為危險。律師、翻譯一、哪些職業(yè)容易被取代在計算機(jī)能夠充分掌握數(shù)據(jù)的領(lǐng)域，人工一、哪些職業(yè)容易被取代雖然計算機(jī)可能在一些方面超過人類，但是它依舊不是“完整的人”，只有人類能處理生活中紛繁復(fù)雜的情況，人工智能取代人類的擔(dān)心為時尚早。 文創(chuàng)、科技和管理行業(yè)；內(nèi)外科醫(yī)生、編舞、教師、作家、律師、

4、人力資源經(jīng)理、科學(xué)家、工程師和記者相比人類，機(jī)器欠缺了原創(chuàng)能力、互動能力和談判能力。因此，具備這三種要素的職業(yè)不容易被機(jī)器取代。一、哪些職業(yè)容易被取代雖然計算機(jī)可能在一些方面超過人類，但機(jī)器人新聞（Robo-journalism） 早在2014年，第一篇機(jī)器人新聞?wù)Q生在洛杉磯時報，用一臺機(jī)器寫了一篇地震發(fā)生3分鐘后的震后報道。 美聯(lián)社跟美國大學(xué)體育協(xié)會（NCAA）合作處理數(shù)據(jù)，現(xiàn)在使用自動化內(nèi)容技術(shù)提供成千上萬的大學(xué)體育賽事報道，這是以前從未涉及的領(lǐng)域。 二、人工智能會取代記者嗎機(jī)器人新聞（Robo-journalism） 二、人工智能韓國的新聞通訊社已開始采用“人工智能記者”編寫簡單的體育和

5、財經(jīng)新聞。 “人工智能記者”的重要優(yōu)勢體現(xiàn)在兩大方面：一是“勤勤懇懇，態(tài)度認(rèn)真每天股市收盤時，它都會基于韓國證券交易所公布的數(shù)據(jù)即刻寫出最新報道，“毫不懈怠一名機(jī)器人記者只要0.3秒就能完成一篇股市行情簡訊。二、人工智能會取代記者嗎韓國的新聞通訊社已開始采用“人工智能記者”編寫簡單的體育和破壞媒體輿論監(jiān)督和批判的功能？產(chǎn)生大量無意義的文章？顯然，這些擔(dān)憂都會通過完善算法或添加人工編輯的方式得到解決。二、人工智能會取代記者嗎破壞媒體輿論監(jiān)督和批判的功能？二、人工智能會取代記者嗎人類的想象力和創(chuàng)新力，是在可以預(yù)見的未來里，少數(shù)無法被人工智能復(fù)制的能力。記者應(yīng)該轉(zhuǎn)而挖掘深度調(diào)查新聞。三、具有創(chuàng)新能力

6、的記者將成為人工智能時代的強(qiáng)者只有更深入地了解新聞媒體行業(yè)的本質(zhì)和人類通過媒介獲得信息、人的思考方式的本質(zhì)，加深人工智能領(lǐng)域的人文探索，才能使人工智能更好地為我們所用。人類的想象力和創(chuàng)新力，是在可以預(yù)見的未來里，少數(shù)無法被人工第 2 節(jié) 新聞推薦算法 Facebook于2006年最早在其網(wǎng)頁端推出了Newsfeed頁面，讓用戶能夠在個人主頁上看到以信息流的形式呈現(xiàn)的朋友們的更新。這個功能最終成為社交類App的主流信息展現(xiàn)方式。 移動互聯(lián)網(wǎng)浪潮來襲，F(xiàn)acebook手機(jī)App,以及大量其他類別的App,特別是新聞信息類App,也都開始采用這種方式來構(gòu)建他們的手機(jī)頁面。最近兩年幾乎所有的手機(jī)應(yīng)用都

7、加入了信息流大戰(zhàn)。這背后的邏輯其實還是為了爭奪盡可能多的用戶流量。第 2 節(jié) 新聞推薦算法 Facebook于20第 2 節(jié) 新聞推薦算法 Newsfeed即信息流。當(dāng)你登陸Facebook首頁時，哪些信息會展示在我們前面，哪些會排在后面，這個是非常的重要的點(diǎn)（獲取大量的曝光）。特別需要說明的是Facebook的算法里面很重要的一點(diǎn)就是基于人的關(guān)系鏈。第 2 節(jié) 新聞推薦算法 Newsfeed第 2 節(jié) 新聞推薦算法互聯(lián)網(wǎng)行業(yè)定義一個App價值的公式一般是：價值 = 用戶數(shù) * 打開次數(shù) * 在線時長第 2 節(jié) 新聞推薦算法互聯(lián)網(wǎng)行業(yè)定義一個App價值的公式一、一般熱門推薦算法熱門推薦算法（H

8、ot）在互聯(lián)網(wǎng)早期就發(fā)展起來了，在新聞網(wǎng)站常?？梢钥吹筋愃啤癟rending”的欄目，這些欄目的推薦算法就被稱為熱門推薦算法。特點(diǎn)：原理簡單；主要針對新聞當(dāng)前的瀏覽情況，對全體用戶做無差別的推薦。一、一般熱門推薦算法熱門推薦算法（Hot）在互聯(lián)網(wǎng)早期就發(fā)一、一般熱門推薦算法（一）聚合計算熱門推薦算法是基于聚合計算的算法，這種算法使用發(fā)表時間、點(diǎn)擊量、贊量、點(diǎn)踩量、 獨(dú)立訪客數(shù)等指標(biāo)，綜合給出一個新聞推薦的排序列表。其中所謂的聚合計算，指的就是數(shù)據(jù)的加總，包括求和、求平均值、求最大最小值等方式，如此處理完之后，再把結(jié)果進(jìn)行排序并展示到頁面上。一、一般熱門推薦算法（一）聚合計算熱門推薦算法是基于聚

9、合計一、一般熱門推薦算法（二）時間因素新聞信息很關(guān)鍵的一個因素就是信息本身的時新性，位列新聞價值五大要素之首。 因此根據(jù)業(yè)務(wù)場景去合理考慮時間因素的作用是一個成功的熱門推薦算法的必要條件。一、一般熱門推薦算法（二）時間因素新聞信息很關(guān)鍵的一個因素一、一般熱門推薦算法（三）案例1. Hacker News新聞排序算法 Hacker News 所采用的計算公式為：Score=(F-1)/(T+2)*GP表示投票數(shù)，即新聞的點(diǎn)贊數(shù)；T表示從信息發(fā)布到現(xiàn)在的小時數(shù)，+2防止除數(shù)太??；G表示重力加速度，代表了 score 根據(jù)時間降低的速率。重力加速度G對時間因子T的影響：隨著時間流逝，時間因子T變大，

10、這也導(dǎo)致了 score 值的下降；G值代表了時間因子T的幕指數(shù)，因為G越大，score值隨時間T變小的速度會 越快。一、一般熱門推薦算法（三）案例1. Hacker News新一、一般熱門推薦算法（三）案例1. Hacker News新聞排序算法在Hacker News看來，時間因子對信息的作用是先使其價值快速下降，之后下降的速度會越來越慢。值得注意的是，Hacker News更關(guān)心用戶對新聞主動做出評價的點(diǎn)贊數(shù)目，而不關(guān)心點(diǎn)擊數(shù)本身。這樣的設(shè)計可能會使“標(biāo)題黨”“灌水”類新聞因為沒人點(diǎn)贊快速 沉下去，而真正得到用戶好評的新聞會排到比較靠前的位置，這體現(xiàn)了該網(wǎng)站對優(yōu)質(zhì)內(nèi)容的傾向性。一、一般熱門

11、推薦算法（三）案例1. Hacker News新一、一般熱門推薦算法（三）案例2. Reddit信息排序算法算法公式為：f(t,y,z)= lg z + y * t / 45000其中，t=A-B, A為資訊發(fā)表時間，B為網(wǎng)站成立時間，所以這兩個都是時間點(diǎn)；而t是時 間點(diǎn)的差值，也就是所經(jīng)過的時間。t, A, B的單位都是秒(s)。x = U D, U為點(diǎn)贊數(shù)(upvote), D為點(diǎn)踩數(shù)(down vote),x是用來體現(xiàn)用戶評分的指標(biāo)。y值取決于x是否為正，也就是說用戶評分總體是好還是壞。總體偏向好的話取1,好壞相當(dāng)取0，偏負(fù)面的話取-1。z的作用就是把x的值取絕對整數(shù)值。一、一般熱門推薦

12、算法（三）案例2. Reddit信息排序算法一、一般熱門推薦算法（三）案例2. Reddit信息排序算法特點(diǎn)：第一，時間的因素。從時間角度看，Reddit算法事實上實現(xiàn)了讓一個帖子的相對排名隨著時間下降的效果。第二，用戶評分的平滑處理。第三，爭議性大的帖子容易得到低分。一、一般熱門推薦算法（三）案例2. Reddit信息排序算法二、個性化推薦系統(tǒng)（一）個性化推薦系統(tǒng)的相關(guān)概念及變量熱門推薦：聚合計算出實時的十大熱門新聞，如國乒退賽等推薦給用戶。這樣的新聞有很大可能會引起用戶關(guān)注。相關(guān)推薦：與用戶當(dāng)前正在閱讀的文章主題相關(guān)的推薦。用戶的短期興趣：根據(jù)用戶最近的行為來進(jìn)行推薦，比如用戶剛剛閱讀了與

13、“西伯利亞”相關(guān)的新聞，剛剛在App中搜索了“天空之城”關(guān)鍵詞，則識別出用戶短期的興趣是“西伯利亞”和“天空之城”。二、個性化推薦系統(tǒng)（一）個性化推薦系統(tǒng)的相關(guān)概念及變量熱門二、個性化推薦系統(tǒng)（一）個性化推薦系統(tǒng)的相關(guān)概念及變量用戶的長期興趣：也叫用戶畫像，是用戶的長期口味，技術(shù)上的本質(zhì)是一組用戶ID所對 應(yīng)的一組keyword。比如某個用戶常年閱讀與軍事相關(guān)的新聞，就會形成一組相應(yīng)的keyword。長期興趣還會考慮進(jìn)用戶的地理位置、年齡、性別、畢業(yè)院校等多個人口統(tǒng)計學(xué)因素”。長期興趣的推薦可能會不僅僅使用用戶自身的用戶畫像，還會計算與用戶的用戶畫像相似的其他用戶，并找出其他用戶看過而這個用戶

14、沒看過的新聞進(jìn)行推薦，這就構(gòu)成了協(xié)同過濾。融合：把以上所述的推薦結(jié)果都打亂了放在一起展示給用戶，就叫作融合二、個性化推薦系統(tǒng)（一）個性化推薦系統(tǒng)的相關(guān)概念及變量用戶二、個性化推薦系統(tǒng)（二）新聞文本的特征提取 tf-idf 算法：計算的是一個關(guān)鍵詞的權(quán)重值（weight）。tf-idf權(quán)重經(jīng)常被用作信息檢索和文本挖掘領(lǐng)域的應(yīng)用。在提供了一個語料庫的前提下，該方法通過統(tǒng)計手段，得出某文本中的某一個詞語的重要性/獨(dú)特性。 tf-idf算法及其衍生變種算法，常常被搜索引擎用來給網(wǎng)頁打分和排序。二、個性化推薦系統(tǒng)（二）新聞文本的特征提取 tf-idf 二、個性化推薦系統(tǒng)（三）基于內(nèi)容的推薦（CB）基于內(nèi)

15、容的推薦：本質(zhì)上是對用戶畫像與文章特征之間進(jìn)行相似度計算。用戶畫像與文章特征形式上是完全一致的，都是一組獲得較高tf-idf權(quán)重的關(guān)鍵詞的集合。只要對用戶畫像和文章的特征之間進(jìn)行相似度計算，然后在所有計算了相似度的文章中選取相似度最高的K篇文章作為推薦文章發(fā)給用戶即可。二、個性化推薦系統(tǒng)（三）基于內(nèi)容的推薦（CB）基于內(nèi)容的推二、個性化推薦系統(tǒng)（四）基于協(xié)同過濾的推薦（CF）協(xié)同過濾算法：也叫作社會過濾方法，是一種通過他人推薦來過濾信息的有效辦法。我們在生活中都喜歡找自己身邊的朋友來推薦一些電影、書籍和音樂，協(xié)同過濾就是這種樸素生活思想在算法上的體現(xiàn)。協(xié)同過濾首先為你找到和你口味相似的人群，然

16、后把這個人群的選擇推薦給你。二、個性化推薦系統(tǒng)（四）基于協(xié)同過濾的推薦（CF）協(xié)同過濾二、個性化推薦系統(tǒng)（五）矩陣分解方法（MD）矩陣分解方法：也叫隱含因子模型；是一種通過把用戶對商品的評價矩陣分解為（1）用戶對隱含因子的偏好矩陣和（2）商品中包含隱含因子的情況矩陣這么兩個矩陣來實現(xiàn)有效推薦的模型。在新聞推薦問題中，隱含因子的應(yīng)用難度比較大。這主要是由于新聞推薦問題中我們往往只有用戶是否閱讀新聞的數(shù)據(jù)，而沒有打分的數(shù)據(jù)，因此無法進(jìn)行有效的矩陣分解。二、個性化推薦系統(tǒng)（五）矩陣分解方法（MD）矩陣分解方法：二、個性化推薦系統(tǒng)（六）推薦系統(tǒng)的融合一般的融合算法可以是簡單的線性融合，也就是說每個算法

17、的結(jié)果被賦予一個固定的比例，然后簡單地加在一起：Result= w1 Hot + w2 CB + w3 CF其中，各個算法的推薦結(jié)果權(quán)重wi （i指1, 2, 3,）值的確定，可能需要使用A/Btest進(jìn)行小流量對比試驗，甚至對全量用戶進(jìn)行分流，通過事后分析數(shù)據(jù)進(jìn)行參數(shù)調(diào)優(yōu)。也可以通過實時的機(jī)器學(xué)習(xí)方法，不斷地優(yōu)化這些權(quán)重值。二、個性化推薦系統(tǒng)（六）推薦系統(tǒng)的融合一般的融合算法可以是三、目前個性化新聞推薦算法存在的問題（一）內(nèi)容不符合用戶興趣目前自然語言處理的局限協(xié)同過濾算法本身的缺陷（二）內(nèi)容質(zhì)量問題文不對題、內(nèi)容空洞、蹭熱點(diǎn)打擦邊球內(nèi)容重復(fù)三、目前個性化新聞推薦算法存在的問題（一）內(nèi)容不符合用戶興趣三、目前個性化新聞推薦算法存在的問題（三）信息繭房與信息成癮信息繭房：指的是信息個性化技術(shù)使得人們可能減少閱讀多樣化內(nèi)容的趨勢。信息成癮：算法不斷貼合用戶當(dāng)前想看的東西，使得用戶的欲望不斷地被滿足，這就形成了一個正向反饋，用戶在心理上往往會形成一種依賴。 （四）可遺忘性（五）版權(quán)三、目前個性化新聞推薦算法存在的問題（三）信息繭房與信息成癮四、推薦算法的發(fā)展方向人工神經(jīng)網(wǎng)絡(luò)考慮給予優(yōu)質(zhì)內(nèi)容生產(chǎn)者所發(fā)布的文章和視頻更高的推薦權(quán)重加強(qiáng)內(nèi)容審核開發(fā)機(jī)器學(xué)習(xí)系統(tǒng)貝葉斯方法：檢測