新聞大數(shù)據(jù)借助于領域詞表、大數(shù)據(jù)和人工智能技術，將雜亂無章的新聞條目數(shù)據(jù)按照領域詞表自動重新聚類，并在聚類的基礎上，進行數(shù)據(jù)重組和集成，形成具有較大價值的專題數(shù)據(jù)，提供給機構和讀者。

新聞大數(shù)據(jù)是報社的制勝法寶

互聯(lián)網(wǎng)媒體對傳統(tǒng)報社構成了較大沖擊，經(jīng)濟效益顯著下滑，讀者數(shù)量也急劇減少。報社賴以生存的新聞報道已經(jīng)被今日頭條、手百等互聯(lián)網(wǎng)媒體所取代，讀者通過手機百度等媒體就可以全面了解當前熱點、新聞、時政等新聞內(nèi)容，導致報社讀者大量流失，讀者的流失又直接導致了廣告商投入和報紙銷量的減少。

針對互聯(lián)網(wǎng)媒體的沖擊，報社也投入了大量資金以應對日趨惡化的經(jīng)營環(huán)境，例如，建立新聞網(wǎng)站、移動新聞客戶端、融媒體建設等。但大多收效甚微，主要原因是——雖然新聞的生產(chǎn)方式、經(jīng)營方式已經(jīng)數(shù)字和互聯(lián)網(wǎng)化，提高了新聞的生產(chǎn)和傳播效率，但是其經(jīng)營的內(nèi)容沒有改變，依然是售賣新聞模式，該模式同手機百度等媒體相比，缺乏內(nèi)容競爭力，讀者自然就不買賬了。

不過，報社也有其自身的競爭力。以參考消息為例，參考消息完成了自1953年至今所有參考消息版面的數(shù)字化加工工作，加工后的數(shù)字內(nèi)容以PDF、數(shù)據(jù)庫、XML等多種方式存儲，為大數(shù)據(jù)增值服務提供了數(shù)據(jù)支撐。參考消息大數(shù)據(jù)集中體現(xiàn)了中國自建國以來，國外媒體對中國外交、經(jīng)濟、政治、民生等方面的報道及觀點，其承載的文化內(nèi)容和歷史內(nèi)涵都是不言而喻的，對研究中國國情及發(fā)展歷程具有很大的文獻情報價值，對圖書館、機構、社會組織、企業(yè)、讀者都有較強的內(nèi)容吸引力，也是今日頭條、手百等媒體不能給予讀者的內(nèi)容。

大數(shù)據(jù)增值應用有哪些技術內(nèi)容?

大數(shù)據(jù)增值服務涉及到數(shù)據(jù)的感知與采集、數(shù)據(jù)的存儲、數(shù)據(jù)的挖掘分析與重組、數(shù)據(jù)的展現(xiàn)與交互技術。

數(shù)據(jù)的感知與采集是獲取并對數(shù)據(jù)進行預處理的技術。例如，新聞機構一般都以數(shù)據(jù)庫方式存儲新聞條目，這就需要系統(tǒng)能夠識別數(shù)據(jù)庫存儲的新聞條目，并按照預定規(guī)則對新聞條目預處理后，進入到大數(shù)據(jù)存儲系統(tǒng)。再如，利用爬蟲技術從新聞網(wǎng)站采集新聞條目，并按照預定規(guī)則對采集的新聞條目預處理后，進入到大數(shù)據(jù)存儲系統(tǒng)。

大數(shù)據(jù)的存儲技術非常重要，直接關系到大數(shù)據(jù)增值服務系統(tǒng)的響應和運算能力，從系統(tǒng)的響應和運算能力考慮，傳統(tǒng)的關系型數(shù)據(jù)庫存儲、數(shù)據(jù)集中式存儲技術已不能滿足大數(shù)據(jù)的存儲與數(shù)據(jù)運算需求。需要運用新的數(shù)據(jù)存儲和運算技術，以滿足不斷增長的數(shù)據(jù)存儲需求和高并發(fā)數(shù)據(jù)的運算能力。

新聞大數(shù)據(jù)的增值服務主要是對新聞數(shù)據(jù)進行挖掘和重組，對機構和讀者提供數(shù)據(jù)檢索和專題數(shù)據(jù)服務。例如，某機構要組織“記錄濰坊，見證歷史”活動，可以通過新聞大數(shù)據(jù)系統(tǒng)挖掘濰坊發(fā)展過程中涉及的熱點、大事件、政策、民生變化等新聞條目，并按照時間線和熱點、大事件、政策、民生進行排序和歸類，生成專題數(shù)據(jù)，活動參與者可以通過瀏覽器、手機瀏覽專題數(shù)據(jù)。再如，對濰坊文化、歷史感興趣的讀者都可以通過檢索和專題數(shù)據(jù)來感知濰坊。

數(shù)據(jù)的展現(xiàn)和交互技術直接影響用戶使用大數(shù)據(jù)服務的體驗，也影響到大數(shù)據(jù)服務的傳播和推廣。面向機構提供大數(shù)據(jù)服務時，系統(tǒng)可以部署到機構內(nèi)部(大數(shù)據(jù)鏡像服務)，也可以部署在云端，并提供標準或者個性化的檢索與閱讀頁面，機構讀者可以在機構內(nèi)部和外部通過移動終端(微信小程序)、PC瀏覽器訪問大數(shù)據(jù)服務;面向讀者提供服務時，充分考慮到新聞機構已有的系統(tǒng)建設，提供數(shù)據(jù)服務接口，為新聞機構已有系統(tǒng)提供數(shù)據(jù)獲取服務。

大數(shù)據(jù)增值應用實現(xiàn)需要的核心技術

大數(shù)據(jù)服務首先要解決大數(shù)據(jù)的存儲與高并發(fā)運算需求。大數(shù)據(jù)的特征是高價值的海量數(shù)據(jù)、數(shù)據(jù)來源渠道眾多、適合于數(shù)據(jù)的挖掘和重組、支持高并發(fā)運算。基于大數(shù)據(jù)的上述特征，采用傳統(tǒng)的數(shù)據(jù)集中式存儲和關系型數(shù)據(jù)庫技術已經(jīng)不能滿足大數(shù)據(jù)服務需求，需要采用新的存儲和數(shù)據(jù)庫技術。

大數(shù)據(jù)服務宜采用分布式存儲以提高大數(shù)據(jù)的存儲擴展能力?？紤]到大數(shù)據(jù)硬件建設成本和便捷的擴展性，服務器應采用價格低廉的普通PC服務器，每臺PC服務器通過網(wǎng)絡連接，工作互相不受干擾，數(shù)據(jù)存儲到自身的硬盤上，當需要擴展數(shù)據(jù)存儲時，直接在網(wǎng)絡中加入PC服務器即可。所有接入存儲網(wǎng)絡的PC服務器在分布式操作系統(tǒng)的控制下，自動保存數(shù)據(jù)的多個副本到不同的PC服務器，以提高數(shù)據(jù)的容錯性，可以在不同服務器之間直接拷貝和復制數(shù)據(jù)，保持各服務器的負載平衡。

系統(tǒng)應用分布式基礎架構Hadoop技術，硬件可以基于普通PC 服務器，存儲基于服務器自帶的本地硬盤，操作系統(tǒng)采用Linux。上述基礎架構擁有較高的存儲擴展能力和內(nèi)在的故障容錯能力以及數(shù)據(jù)保障機制，可以降低每TB數(shù)據(jù)的處理成本，為大數(shù)據(jù)處理提供技術和性價比支撐。數(shù)據(jù)庫采用Hbase，HBase是一個分布式的、面向列的開源數(shù)據(jù)庫。利用HBase和Hadoop技術，可在廉價PC 服務器上搭建大規(guī)模結構化存儲集群。

大數(shù)據(jù)服務宜采用云計算以提高大數(shù)據(jù)的運算能力，運算能力包括檢索、數(shù)據(jù)挖掘、重組能力。由不同PC服務器組成的分布式存儲系統(tǒng)可以構建云計算，利用PC服務器自身的運算能力，對自身存儲的數(shù)據(jù)進行運算，每臺PC服務器的運算結果匯總后，返回給數(shù)據(jù)請求者。

利用Hadoop的MapReduce技術，可以控制多臺PC服務器完成數(shù)據(jù)的并發(fā)運算。例如，讀者在前端的一個檢索請求，會觸發(fā)MapReduce發(fā)起云計算，MapReduce將調(diào)用多臺PC服務器參與運算，然后將每臺服務器的運算結果匯總并返回給檢索系統(tǒng)。