چگونه به خبر امتیاز میدهیم؟
سامانه News Intelligence Engine در رصد، اهمیت هر خبر را با ترکیب تحلیل هوشمند و موتور قواعد (Rule Engine) محاسبه میکند. امتیاز نهایی فقط یک عدد نیست؛ چند شاخص مستقل، دلایل و وضعیت تحریریه نیز تولید میشود.
۴ امتیاز اصلی (مقیاس ۰ تا ۱۰۰)
- اهمیت (Importance): ارزش خبری و میزان تأثیر رویداد بر جامعه، اقتصاد یا سیاست.
- فوریت (Urgency): نیاز به انتشار سریع؛ ترکیبی از تازگی، درگیری، بزرگی و روند توجه.
- اعتبار (Credibility): قابلاتکا بودن برای انتشار مستقیم؛ وابسته به منبع، احتمال جعل و جریمه اعتبار.
- Breaking: پتانسیل خبر فوری؛ ترکیب فوریت، تازگی، نو بودن، بزرگی و momentum.
مثال: خبر ممکن است اهمیت ۹۵ و فوریت ۹۲ داشته باشد، اما اعتبار ۳۵ — در این حالت وضعیت
EDITORIAL_REVIEW پیشنهاد میشود.
۱۲ شاخص مثبت (Feature)
وزنها در پایگاه داده قابل تنظیماند و برای هر دسته خبر (سیاسی، اقتصادی، ورزشی…) میتوانند متفاوت باشند.
جریمهها (Penalties)
- Repetition: شباهت زیاد به خبر اخیر
- Duplicate: احتمال تکرار رویداد یا متن
- Clickbait: اغراق در تیتر
- Credibility: منبع ضعیف یا ناشناس
فرمول کلی
importance = clamp( Σ(feature × weight_category) − penalties , 0, 100 ) urgency = weighted(timeliness, conflict, magnitude, trend, uncertainty) credibility = f(source_trust, fake_probability, credibility_penalty) breaking = weighted(timeliness, urgency, novelty, magnitude, trend)
سامانه هوشمند فقط Featureها را استخراج میکند (موجودیت، اعداد، flags). امتیاز نهایی را اپلیکیشن محاسبه میکند تا هیچ Feature بهتنهایی امتیاز را تعیین نکند.
طبقهبندی و وضعیت تحریریه
Importance: ۹۰–۱۰۰ بحرانی | ۸۰–۸۹ خیلی بالا | ۶۵–۷۹ بالا | ۴۵–۶۴ عادی | ۲۵–۴۴ پایین | ۰–۲۴ خیلی پایین
وضعیتها: BREAKING، DEVELOPING، HIGH_PRIORITY، EDITORIAL_REVIEW، DUPLICATE، LOW_PRIORITY
نمونه JSON خروجی
{
"importance_score": 72,
"urgency_score": 81,
"credibility_score": 88,
"breaking_score": 65,
"classification": "HIGH",
"editorial_status": "NORMAL",
"scores": { "impact": 70, "novelty": 55, ... },
"penalties": { "repetition": 3, "duplicate": 0, ... },
"reasons": ["تأثیر گسترده (70)", "تازگی و فوریت زمانی (85)"],
"recommended_action": "NORMAL"
}
محدودیتهای فعلی
- Google Trends، GSC و شبکههای اجتماعی هنوز به موتور وصل نشدهاند (معماری آماده است).
- مدل یادگیری از بازخورد دبیر (ML ranking) فقط ذخیره داده دارد؛ آموزش مدل در فاز بعد است.
- بدون embedding، novelty از شباهت متنی و موجودیت محاسبه میشود.