数据新闻选题策划

数据新闻选题策划

在信息时代，数据已经成为我们获取和了解世界的基本手段之一。数据新闻作为新闻传播领域的一个新兴分支，正通过大数据技术的应用，向我们呈现更加丰富、深入的新闻信息。然而，如何选择好的数据新闻选题，成为了数据新闻从业者需要着重考虑的问题。本文为大家介绍几种常见的数据新闻选题策划方式。

1 情感分析类选题

通过情感分析工具对大众舆情进行分析，可以从另一个角度了解某个事件在公众心理中的评价和反应，为深入解读事件提供参考。比如，在政策上，经济类事件等方面，对情感分析中出现频率较高的词汇进行提取和分析，可以初步判断事件所涉及的领域、群体和政策方向等。因此，情感分析类选题适合具有一定专业背景的新闻从业者。

2 数据可视化类选题

数据可视化类选题，是一种将数据可视化呈现的手段，它直观地展示了数据之间的关系，让读者可以一眼看清信息。这种方式不仅具有很强的吸引力，而且传达的信息也比纯文字报道更加深刻。在数据可视化类选题的选择上，需要从某个行业或领域中选出一个有代表性的数据集，然后根据数据的类型进行不同的可视化呈现，如折线图、柱状图、饼图等，来体现所选数据集中的信息和趋势。

3 数据对比类选题

对比是一种常见的关键词，但是采用数据对比类选题涉及到的是更加复杂的数据挖掘和分析工作。一般情况下，这种选题方式需要搜集大量数据或者数据库，然后对选中的数据集进行对比。比如：对比中国各个省份的经济发展情况，北上广等一线城市和二线城市的人口流动情况等。

4 新兴技术应用类选题

新兴技术应用是目前最受关注的话题之一。这种选题方式主要是针对新兴技术的应用效果，评估其优劣势。可以从以下几个方面考虑：使用人数、使用方法、应用领域、技术的优劣势等方面。通过对这些方面的数据分析，可以形成对新兴技术的全面评估和分析。

结语

数据新闻是未来新闻传媒领域的重中之重，掌握一些选题策划的方法也极其必要。透过纯数据呈现的背后深意，用更直观且有价值的方式诠释真正发生的事情。在选取数据新闻选题的时候，需要从多个角度进行考虑，兼顾专业性、新闻价值以及观众的需求，这样才能有机会呈现让人难以忽视的媒体范本。

http://minieastdaycom/bdmip/180414224336264html

在这篇文章中，主要介绍的内容有：

1、将单词转换为特征向量

2、TF-IDF计算单词关联度

文本的预处理和分词。

如何将单词等分类数据转成为数值格式，以方便我们后面使用机器学习来训练模型。

一、将单词转换为特征向量

词袋模型(bag-of-words model)：将文本以数值特征向量的形式来表示。主要通过两个步骤来实现词袋模型：

1、为整个文档集(包含了许多的文档)上的每个单词创建一个唯一的标记。

2、为每个文档构建一个特征向量，主要包含每个单词在文档上的出现次数。

注意：由于每个文档中出现的单词数量只是整个文档集中很少的一部分，因此会有很多的单词没有出现过，就会被标记为0。所以，特征向量中大多数的元素就会为0，就会产生稀疏矩阵。

下面通过sklearn的CountVectorizer来实现一个词袋模型，将文档转换成为特征向量

通过countvocabulary_我们可以看出每个单词所对应的索引位置，每一个句子都是由一个6维的特征向量所组成。其中，第一列的索引为0，对应单词"and"，"and"在第一和二条句子中没有出现过，所以为0，在第三条句子中出现过一些，所以为1。特征向量中的值也被称为原始词频(raw term frequency)简写为tf(t,d)，表示在文档d中词汇t的出现次数。

注意：在上面词袋模型中，我们是使用单个的单词来构建词向量，这样的序列被称为1元组(1-gram)或单元组(unigram)模型。除了一元组以外，我们还可以构建n元组(n-gram)。n元组模型中的n取值与特定的应用场景有关，如在反垃圾邮件中，n的值为3或4的n元组可以获得比较好的效果。下面举例说明一下n元组，如在"the weather is sweet"这句话中，

1元组："the"、"weather"、"is"、"sweet"。

2元组："the weather"、"weather is"、"is sweet"。

在sklearn中，可以设置CountVecorizer中的ngram_range参数来构建不同的n元组模型，默认ngram_range=(1,1)。

sklearn通过CountVecorizer构建2元组

二、TF-IDF计算单词关联度

在使用上面的方法来构建词向量的时候可能会遇到一个问题：一个单词在不同类型的文档中都出现，这种类型的单词其实是不具备文档类型的区分能力。我们通过TF-IDF算法来构建词向量，从而来克服这个问题。

词频-逆文档频率(TF-IDF，term frequency-inverse document frequency)：tf-idf可以定义为词频×逆文档频率

其中tf(t,d)表示单词t在文档d中的出现次数，idf(t,d)为逆文档频率，计算公式如下

其中，nd表示文档的总数，df(t,d)表示包含单词t的文档d的数量。分母中加入常数1，是为了防止df(t,d)=0的情况，导致分母为0。取log的目的是保证当df(t,d)很小的时候，不会导致idf(t,d)过大。

通过sklearn的TfidfTransformer和CountVectorizer来计算tf-idf

可以发现"is"(第二列)和"the"(第六列)，它们在三个句子中都出现过，它们对于文档的分类所提供的信息并不会很多，所以它们的tf-idf的值相对来说都是比较小的。

注意：sklearn中的TfidfTransformer的TF-IDF的计算与我们上面所定义TF-IDF的公式有所不同,sklearn的TF-IDF计算公式

通常在计算TF-IDF之前，会对原始词频tf(t,d)做归一化处理，TfidfTransformer是直接对tf-idf做归一化。TfidfTransformer默认使用L2归一化，它通过与一个未归一化特征向量L2范数的比值，使得返回向量的长度为1，计算公式如下：

下面通过一个例子来说明sklearn中的TfidfTransformer的tf-idf的计算过程，以上面的第一句话"The sun is shining"为例子

1、计算原始词频

a、单词所对应的下标

b、计算第三句话的原始词频tf(t,d)

c、计算逆文档频率idf(t,d)

注意：其他的词在计算tf-idf都是0，因为原始词频为0，所以就不需要计算idf了，log是以自然数e为底。

d、计算tf-idf

所以，第一个句子的tf-idf特征向量为[0,1,129,129,0,1,0]

e、tf-idf的L2归一化

sovits40训练模型多久如下：

Sovits40是一种基于深度学习的自然语言处理模型，它可以用于文本分类、情感分析、机器翻译等多个领域。Sovits40的训练时间取决于多个因素，包括数据集的大小、模型的复杂度、训练硬件的性能等。在一般情况下，Sovits40的训练时间可能需要数小时到数天不等。

首先，数据集的大小是影响Sovits40训练时间的一个重要因素。如果数据集很小，那么模型的训练时间会相对较短。但是，如果数据集很大，那么模型的训练时间就会相应地增加。因此，为了获得更好的模型性能，需要使用足够大的数据集进行训练，这也会导致训练时间的增加。

其次，模型的复杂度也会影响Sovits40的训练时间。如果模型非常简单，那么训练时间会相对较短。但是，如果模型非常复杂，那么训练时间就会相应地增加。因此，在选择模型时需要权衡模型的复杂度和训练时间之间的关系。

第三，训练硬件的性能也会影响Sovits40的训练时间。如果使用高性能的GPU进行训练，那么训练时间会相对较短。但是，如果使用低性能的CPU进行训练，那么训练时间就会相应地增加。因此，在进行Sovits40训练时，需要选择适当的硬件设备以获得更好的训练效果。

总的来说，Sovits40的训练时间是一个相对复杂的问题，需要考虑多个因素。在实际应用中，训练时间可能会因为不同的应用场景而有所不同。但是，通过合理的数据集选择、模型设计和硬件配置，可以有效地减少Sovits40的训练时间，从而提高模型的训练效率和性能。