“不过界面设计只是一方面，内容呈现的逻辑也得再打磨。” 常先眉头紧锁，“我跑了不少单位做采访，发现大家获取新闻的方式实在是太不方便了。”
“市面上报纸种类繁多，时政消息登在党报，经济动态藏在专业财经报，科技进展又分散在各类行业报刊，同一个事件的不同角度报道更是分布在不同版面。”
“有些单位即便订了七八种报纸，堆在传达室里，员工也很难快速找到自己需要的信息；还有企业让文员每天在各大 BBS 上手动摘抄行业新闻，不仅效率低，信息还经常滞后。更麻烦的是，不同渠道的新闻质量参差不齐，重要资讯可能淹没在大量无效信息里。
“不少单位为了获取时事资讯，会订上七八种报纸，可这些报纸大多堆在传达室无人问津；还有企业让文员每天在各大电子公告板上手动摘抄行业新闻，不仅效率低，信息还经常滞后。更麻烦的是，不同渠道的新闻质量参差不齐，重要资讯可能淹没在大量无效信息里。”
他抬起头，目光扫过会议室里的众人：“咱们桓山问泽既然是国内第一个新闻领域的网站，能不能做个‘智能简报’功能？”
“就像给用户配备一个专属新闻管家，自动整合筛选全网资讯，按照用户的阅读习惯和行业需求，每天定时推送精准的新闻摘要，这样一来，用户不用再大海捞针般找新闻，重要信息也能第一时间触达。”
“落实到具体产品功能的话，我理解应该就是让桓山问泽网站根据用户在站内的浏览历史，每天定时整理定制化的新闻摘要，首接推送到浪心邮件或者青鸟软件里。”
王志栋听到常先的这个建议，愣了一下：“八西科技现在确实就有做新闻简报的传统，瑾龙那边基本上每周都要花一两个小时的时间做这事，如果能够由桓山问泽来把这事情干了好像也还不错。”
“但难点在于，怎么判断用户真正感兴趣的内容？现在的算法可没那么智能。”秦奕笑了，“‘智能’这两个说起来轻轻松松，要真做好可不简单啊，算法、数据、硬件这些事情没有一个是能随随便便就做好的。”
“算法方面，做新闻摘要用的是自然语言处理技术，这个领域现在主流方法是基于规则的关键词提取，就拿 TF-IDF 算法来说，它的原理基于两个核心概念 —— 词频 Term Frequency，简称 TF 和逆文档频率 Inverse Dot Frequency，简称 IDF。”
“词频 TF 很好理解，它统计的是一个词语在一篇文档中出现的次数。出现次数越多，就意味着这个词语在该文档中的重要性可能越高。”
“比如在一篇关于‘经济改革’的新闻里，‘改革’‘经济’这类词频繁出现，那它们的词频自然就高。但单纯依靠词频有个明显缺陷，像‘的’‘了’‘是’这类常用词，在任何文档里出现的次数都可能很多，可它们对理解文档核心内容几乎没有帮助。”
“这时候，逆文档频率 IDF 就发挥作用了。IDF 反映的是一个词语在整个文档集合中的普遍重要性。它的计算逻辑是，用文档集合的总文档数除以包含该词语的文档数，再取对数。”
“简单来说，如果一个词语在大量文档中都出现，那它的 IDF 值就会很低，比如前面提到的常用词；而如果一个词语只在少数文档中出现，说明它更具独特性，IDF 值就会比较高，例如特定的专业术语或事件名称。”
“TF-IDF 算法就是将词频 TF 和逆文档频率 IDF 相乘，得出每个词语的 TF-IDF 值。这个值越高，就代表该词语在当前文档中越重要，越有可能是关键信息。”
“以做新闻摘要为例，通过计算新闻文本中所有词语的 TF-IDF 值，筛选出 TF-IDF 值较高的词语所在句子，就能初步提取出新闻的关键内容。”
“但这种基于规则的关键词提取方法，只能机械地统计词频和文档分布，缺乏对语义的理解，根本无法把握句子之间的逻辑关系，所以生成的新闻摘要大概率会出现连贯性差、关键信息遗漏等问题 。”
“所以目前要是做新闻摘要，只能人工预设规则，比如‘保留含 5 个以上名词的句子’，可实际应用时，摘要前后不连贯，关键信息遗漏率超过 40%。”
“而在数据方面，条件也是相当不成熟的。”
“人工智能之所以被称为人工智能，就是因为得先有人工才有智能，必须有足够量的高价值数据才能训练出一个出色的智能模型，现在中文电子新闻文本撑死了才 10 万篇，数据这么少，用 n-gram 语言模型算出来的准确率，也就 35% - 50%，根本达不到能用的标准。”
“硬件方面更是个大坎。”
“现在最快的主机，运算速度才 12MIPS，处理一篇 500 字的新闻就要 3 - 5 分钟。可智能简报要实时处理大量新闻，还得分析用户行为，这速度远远跟不上。”
“再说存储，光是新闻文本索引就要占 MB 级内存，咱们服务器内存普遍才 4 - 16MB，根本放不下多少数据，更别说大规模实时处理了。”
秦奕讲述完毕，会议室陷入短暂的沉默，只有头顶白炽灯发出细微的电流声。
马华腾摘下眼镜，用衣角反复擦拭镜片，这个习惯性动作暴露了他的焦虑：“按这么算，就算咱们把现有服务器全用上，每天能处理的新闻量也不够千人同时使用。难道真要搁置这个功能？”
常先重重地靠向椅背：“可市面上新闻获取的痛点实实在在摆在这，咱们不做，迟早有人做。我上周去机械厂采访，厂长办公室里堆着《国民日报》《经济日报》《科技日报》，光找一篇相关报道就要翻半小时，要是有个‘电子报童’能首接送上门……”
王志栋在思索了一阵之后，突然眼前一亮：“技术瓶颈是死的，人是活的！咱们可以先做个简化版 —— 用户手动勾选关注领域，系统只从固定十家报刊抓取内容，用预设模板生成简报。这样数据量和计算量都能压下来。”
(http://www.220book.com/book/JVUH/)
请记住本书首发域名：http://www.220book.com。顶点小说手机版阅读网址：http://www.220book.com