㈠ 演算法的新聞價值判斷是什麼意思
核心概念辨析
一、傳統「新聞價值概念」梳理（基礎概念）
◆ 所謂新聞價值，就是指凝聚在新聞事實中的社會需求，就是新聞本身之所以存在的客觀理由，在我們比較固定的認識中，它包括時效性、重要性、顯著性、接近性以及趣味性等幾個基本屬性。
◆ 新聞價值是新聞事實本身所包含的滿足社會需求的素質的總和。新聞價值要素包括真實性、時新性等不變要素和重要性、顯著性、接近性、趣味性等可變要素。新聞事實所包含的價值要素越豐富，級數越高，新聞價值就越大。
二、新聞價值的常見的幾種特性
◆ 客觀性
新聞的客觀性要素是新聞存在的基本條件。新聞如果失真失實就不成其為新聞，也就沒有新聞價值了。在新聞價值諸要素中，客觀實在性是最重要的不變要素。一切新聞的產生和存在，首先要確認構成這一新聞的內容是否具有客觀實在性。
◆ 新鮮性
新鮮性是新聞存在的標志，新聞如果不新鮮，也就不成其為新聞了，當然也就不存在新聞價值了。在新聞價值諸要素中，新鮮性也是重要的不變要素。一切新聞都必須新鮮，這是受眾需要新聞的根本原因所在。
◆ 重要性
新聞的重要性是指事實信息內容的重要程度。事實信息內容越重要，新聞價值越大。判定某一事實信息內容重要與否的標准，主要看其政治與社會意義的大小及其對社會與公眾產生的影響程度。影響程度越大，政治和社會意義越大，新聞價值也就越大。
◆ 顯著性
事實信息中的人物、地點和事件中的知名度越是顯著、越是突出，新聞價值也越大。一個普通群眾很難成為新聞人物，而政府官員、大企業家、歌星、影星、社會名流的言行舉止則往往會成新聞；一國之都、歷史名城、古跡勝地也往往是出新聞的地方。新聞媒介應關注具有顯著性的人物和事件，抓住其具有新意的內容及時予以報道。
◆ 趣味性
新聞的趣味性指事實信息內容對受眾產生的興趣程度。越是受眾感興趣的事實信息，新聞價值越大。趣味是新聞傳播適應群眾情趣需要的一種驗證。趣味性還可使新聞內容的表現生動活潑、富有情趣。一些嚴肅的政治、經濟新聞同樣可以表現得妙趣橫生。
三、傳統新聞價值的「體系觀」
◆ 新聞事實
人們之所以需要新聞，就是要通過新聞的接收和利用，來減少或消除自己對周圍世界最新變動狀態的不確定性。這種相關性使人們對這一新變動的認知成為必要。這是新聞價值的系統結構中最基本的客觀性因素，沒有它，新聞價值就無從發生。
◆ 傳播者
傳播者在新聞事實與受傳者之間的中介作用是舉足輕重的。正是由於傳播者的能動性工作，使新聞事實由自在信息狀態經過積極的揚棄獲得了新質，轉變為自為的新聞信息狀態。傳播者「化入」新聞作品的化入型新聞信息以其傳真性、時效性，為滿足人們的新聞需要提供了現實可能。
◆ 受傳者
受傳者根據自己的需要，通過認知結構的接收機制，對新聞作品所提供的化人型新聞信息作積極的揚棄，成為實際滿足其新聞需要的「為我之物」。
綜上所述，新聞價值生成的內在根據是新聞事實的價值素質、傳播者對新聞的選擇、受傳者對新聞的接收三者的內在結構的有機對應、偶合和同一。
四、演算法時代，新聞價值意義的重構（重點內容，論述題答題模板，重點識記）
李良榮教授在《新聞學概論》中提到，新聞價值就是事實本身包含的引起公眾共同興趣的素質。這些素質包括時新性、重要性、新奇性、接近性、趣味性。新聞推薦演算法在一定程度上放大了個體的新聞興趣偏好，更好地滿足了個體的新聞內容需求，但弱化了新聞內容本身的地位。許多新聞內容生產者會投用戶所好進行新聞內容生產，這就使新聞價值的含義發生了重構。
（一）時新性向即時性轉變
新聞以往的定義是新近發生事實的變動，但由於互聯網和移動終端的發展和普及，時新性已不能滿足受眾的要求。受眾更傾向於即時性的新聞內容，即新聞事件發生的同時受眾就能接受到相應的新聞內容。互聯網時代加速了信息的生產，也加速了信息的傳播，受眾需要更及時地了解自己所處環境的信息變動。雖然即時性在時效上更好地滿足了受眾的信息需求，但是由於其新聞內容在新聞事件發生的同時就進行了發布，新聞具體信息極易出現誤差或者錯誤。
（二）重要性向標簽性轉變
由於演算法在進行新聞內容推送的時候會抓取新聞內容中的關鍵詞等進行分析，許多新聞內容都需要帶有標簽，也就是關鍵字。即使新聞內容很重要，但如果無法被演算法抓取正確的關鍵詞作為標簽，就會極易被演算法推送到對該新聞內容不感興趣的受眾面前。這不僅會降低新聞內容傳播的影響力，也會影響受眾的新聞閱讀感受。
（三）新奇性向互動性轉變
在信息爆炸的時代，新聞內容僅包含新奇性，將無法有效吸引受眾閱讀。新聞內容更需要具有互動性，從而吸引受眾點擊、閱讀內容最後進行分享。以今日頭條為例，當演算法察覺新聞內容與許多受眾產生了互動，會將此新聞內
容推薦給更多的受眾。具有互動性的新聞內容不僅可以更好地在受眾中進行傳播，更能促進受眾分享，使新聞內容擁有更大的影響力。
（四）接近性向情近性轉變
傳統新聞價值中的接近性既包括地緣關繫上的接近也包括心理上的接近。但是在演算法幫助下，受眾可以直接接觸到其最感興趣的內容，新聞內容的接近性便發生了向情感上接近的轉變。情近性是指新聞內容能夠引起受眾的情感認同。雖然演算法只能從受眾的行為習慣、相似群體等方面發掘其興趣，但是在一定程度上也反映出了受眾對某些新聞內容的情感態度。情近性與保持新聞內容的客觀性並不排斥，因為完全客觀的內容是不存在的，任何新聞內容都是有立場的內容，完全客觀本身即是一種態度傾向。
㈡ 關於熱度演算法
熱度演算法基本原理
需要了解的是，熱度演算法也是需要不斷優化去完善的，基本原理：
新聞熱度分 = 初始熱度分 + 用戶交互產生的熱度分 – 隨時間衰減的熱度分
Score = S0 + S(Users) – S(Time)
新聞入庫後，系統為之賦予一個初始熱度值，該新聞就進入了推薦列表進行排序；隨著新聞不斷被用戶點擊閱讀，收藏，分享等，這些用戶行為被視作幫助新聞提升熱度，系統需要為每一種新聞賦予熱度值；同時，新聞是有較強時效性的內容，因此新聞發布之後，熱度必須隨著新聞變得陳舊而衰減。
新聞的熱度就在這些演算法的綜合作用下不斷變化，推薦列表的排序也就不斷變化。
初始熱度不應該一致
上面的演算法為每一條入庫的新聞賦予了同樣的熱度值，但在現實使用後發現行不通，例如娛樂類別比文化類別受歡迎程度本身就高很多；或者突發了嚴重的災害或事故；或是奧運會期間，體育類別的關注度突然高了起來；而此時如果還是每條新聞給同樣的熱度就不能貼合實際了。
解決辦法就是把初始熱度設置為變數：
（1）按照新聞類別給予新聞不同的初始熱度，讓用戶關注度高的類別獲得更高的初始熱度分，從而獲得更多的曝光，例如：
（2）對於重大事件的報道，如何讓它入庫時就有更高的熱度，我們採用的是熱詞匹配的方式。
即對大型新聞站點的頭條，Twitter熱點，競品的頭條做監控和扒取，並將這批新聞的關鍵詞維護到熱詞庫並保持更新；每條新聞入庫的時候，讓新聞的關鍵詞去匹配熱詞庫，匹配度越高，就有越高的初始熱度分。
這樣處理後，重大事件發生時，蘆衡基Twitter和門戶網站的爭相報道會導致熱詞集中化，所有匹配陪謹到這些熱詞的新聞，即報道同樣事件的新聞，會獲得很高的初始熱度分。
用戶行為分規則不是固定不變的
解決了新聞入庫的攔雹初始分之後，接下來是新聞熱度分的變化。先要明確用戶的的哪些行為會提高新聞的熱度值，然後對這些行為賦予一定的得分規則。例如對於單條新聞，用戶可以點擊閱讀（click），收藏（favor），分享（share），評論（comment）這四種行為，我們為不同的行為賦予分數，就能得到新聞的實時用戶行為分為：
S(Users) = 1*click + 5*favor + 10*comment + 20*share
這里對不同行為賦予的分數為1,5,10,20，但這個值不能是一成不變的；當用戶規模小的時候，各項事件都小，此時需要提高每個事件的行為分來提升用戶行為的影響力；當用戶規模變大時，行為分也應該慢慢降低，因此做內容運營時，應該對行為分不斷調整。
當然也有偷懶的辦法，那就是把用戶規模考慮進去，算固定用戶數的行為分，即：
S(Users) = (1*click + 5*favor + 10*comment + 20*share)/DAU * N(固定數）
這樣就保證了在不同用戶規模下，用戶行為產生的行為分基本穩定。
熱度隨時間的衰減不是線性的
由於新聞的強時效性，已經發布的新聞的熱度值必須隨著時間流逝而衰減，並且趨勢應該是衰減越來越快，直至趨近於零熱度。換句話說，如果一條新聞要一直處於很靠前的位置，隨著時間的推移它必須要有越來越多的用戶來維持。
我們要求推薦給用戶的新聞必須是24h以內，所以理論上講，衰減演算法必須保證在24h後新聞的熱度一定會衰減到很低，如果是線性衰減，當某些新聞突然有大量用戶閱讀，獲得很高的熱度分時，可能會持續排名靠前很久，讓用戶覺得內容更新過慢。
參考牛頓冷卻定律，時間衰減因子應該是一個類似於指數函數：
T(Time) = e ^ (k*(T1 – T0))
其中T0是新聞發布時間，T1是當前時間。
而由於熱度的發展最終是一個無限趨近於零熱度的結果，最終的新聞的熱度演算法也調整為：
Score = ( S0(Type) + S(Users) ) / T(Time)
其他影響因素
很多新聞產品會給用戶「贊」，「踩」或「不在推薦此類」的選項，這些功能不僅適用於個性化推薦，對熱度演算法也有一定的作用。
新聞的推送會造成大量的打開，在計算熱度的時候需要排除掉相關的影響。類似於這樣的因素，都會對熱度演算法產生影響，因此熱度演算法上線後，依然需要不斷地「調教」。建議把所有的調整指標做成可配項，例如初始熱度分，行為事件分，衰減因子等，從而讓產品和運營能實時調整和驗證效果，達到最佳狀態。
㈢ 名詞解釋 演算法
演算法（Algorithm）是指解題方案的准確而完整的描述，是一系列解決問題的清晰指令，演算法代表著用系統的方法描述解決問題的策略機制。也就是說，能夠對一定規范的輸入，在有限時間內獲得所要求的輸出。如果一個演算法有缺陷，或不適合於某個問題，執行這個演算法將不會解決這個問題。不同的演算法可能用不同的時間、空間或效率來完成同樣的任務。一個演算法的優劣可以用空間復雜度與時間復雜度來衡量。