今天看李彦宏在复旦演讲里提到，由于信息的不对称，很多人很是吃亏。而同样场景，在开讲啦里也提到当初创立百度就是要解决信息的不对称。但是这个不对称怎么个不对称啊，不对称程度多大，所以想问信息不对称可以量化吗？15年前信息存在信息不对称是显然的，但是今天也存在信息不对称啊，不过由于有搜索引擎以及各类大大小小垂直分类网站出现了，所以今天信息不对称是有改善的，改善了多少呢？能不能用一个数量来说明今天信息不对称是多少呢？
相信很多人和我一样，也有很多类似疑问，因此引出今天要谈的一个概念，熵。
为了衔接第一段提出的疑问，我们先来看一个概念，信息熵。
信息熵，怎么看怎么觉得这个“熵”字不顺眼，那就先不看。我们起码知道这个概念跟信息有关系。而它又是个数学模型里面的概念，一般而言是可以量化的。所以，第一个问题来了。
信息是不是可以量化？
起码直觉上而言是可以的，不然怎么可能我们觉得有些人说的废话特别多，“没什么信息量”，有些人一语中的，一句话就传达了很大的信息量。
为什么有的信息量大有的信息量小？
有些事情本来不是很确定，例如明天股票是涨还是跌。如果你告诉我明天NBA决赛开始了，这两者似乎没啥关系啊，所以你的信息对明天股票是涨是跌带来的信息量很少。但是假如NBA决赛一开始，大家都不关注股票了没人坐庄股票有99%的概率会跌，那你这句话信息量就很大，因为本来不确定的事情变得十分确定。
而有些事情本来就很确定了，例如太阳从东边升起，你再告诉我一百遍太阳从东边升起，你的话还是丝毫没有信息量的，因为这事情不能更确定了。
有些事情本来不是很确定，例如明天股票是涨还是跌。如果你告诉我明天NBA决赛开始了，这两者似乎没啥关系啊，所以你的信息对明天股票是涨是跌带来的信息量很少。但是假如NBA决赛一开始，大家都不关注股票了没人坐庄股票有99%的概率会跌，那你这句话信息量就很大，因为本来不确定的事情变得十分确定。
而有些事情本来就很确定了，例如太阳从东边升起，你再告诉我一百遍太阳从东边升起，你的话还是丝毫没有信息量的，因为这事情不能更确定了。
所以说信息量的大小跟事情不确定性的变化有关。
那么，不确定性的变化跟什么有关呢？
一，跟事情的可能结果的数量有关；二，跟概率有关。
先说一。
例如我们讨论太阳从哪升起。本来就只有一个结果，我们早就知道，那么无论谁传递任何信息都是没有信息量的。当可能结果数量比较大时，我们得到的新信息才有潜力拥有大信息量。
二， 单看可能结果数量不够，还要看初始的概率分布。例如一开始我就知道小明在电影院的有15*15个座位的A厅看电影。小明可以坐的位置有225个，可能结果数量算多了。可是假如我们一开始就知道小明坐在第一排的最左边的可能是99%，坐其它位置的可能性微乎其微，那么在大多数情况下，你再告诉我小明的什么信息也没有多大用，因为我们几乎确定小明坐第一排的最左边了。
怎么衡量不确定性的变化的大小呢？怎么定义呢？
这个问题不好回答，但是假设我们已经知道这个量已经存在了，不妨就叫做信息量，那么你觉得信息量起码该满足些什么特点呢？
一，起码不是个负数吧，不然说句话还偷走信息呢~
二，起码信息量和信息量之间可以相加吧！假如你告诉我的第一句话的信息量是3，在第一句话的基础上又告诉我一句话，额外信息量是4，那么两句话信息量加起来应该等于7吧！难道还能是5是9？
三，刚刚已经提过，信息量跟概率有关系，但我们应该会觉得，信息量是连续依赖于概率的吧！就是说，某一个概率变化了0.0000001，那么这个信息量不应该变化很大。
四，刚刚也提过，信息量大小跟可能结果数量有关。假如每一个可能的结果出现的概率一样，那么对于可能结果数量多的那个事件，新信息有更大的潜力具有更大的信息量，因为初始状态下不确定性更大。
那有什么函数能满足上面四个条件呢？负的对数函数，也就是-log（x）！底数一般取2。前面再随便乘个常数也行。
a. 为什么不是正的？因为假如是正的，由于x是概率，小于等于1的数，log（x）就小于等于0了，取反为正数，第一个特点满足。
b. 咱们再来验证一下其他特点。三是最容易的。假如x是一个概率，那么log（x）是连续依赖于x的。
c。四呢？假如有n个可能结果，那么出现任意一个的概率是1/n，而-log(1/n)是n的增函数，没问题。
d。最后验证二。由于-log(xy) = -log(x) -log(y)，所以也是对的。学数学的同学注意，这里的y可以是给定x的条件概率，当然也可以独立于x。
所以我们知道一个事件的信息量就是这个事件发生的概率的负对数。
最后终于能回到信息熵。信息熵是跟所有可能性有关系的。每个可能事件的发生都有个概率。信息熵就是平均而言发生一个事件我们得到的信息量大小。所以数学上，信息熵其实是信息量的期望。
那么，不确定性的变化跟什么有关呢？
一，跟事情的可能结果的数量有关；二，跟概率有关。
先说一。
例如我们讨论太阳从哪升起。本来就只有一个结果，我们早就知道，那么无论谁传递任何信息都是没有信息量的。当可能结果数量比较大时，我们得到的新信息才有潜力拥有大信息量。
二， 单看可能结果数量不够，还要看初始的概率分布。例如一开始我就知道小明在电影院的有15*15个座位的A厅看电影。小明可以坐的位置有225个，可能结果数量算多了。可是假如我们一开始就知道小明坐在第一排的最左边的可能是99%，坐其它位置的可能性微乎其微，那么在大多数情况下，你再告诉我小明的什么信息也没有多大用，因为我们几乎确定小明坐第一排的最左边了。
怎么衡量不确定性的变化的大小呢？怎么定义呢？
这个问题不好回答，但是假设我们已经知道这个量已经存在了，不妨就叫做信息量，那么你觉得信息量起码该满足些什么特点呢？
一，起码不是个负数吧，不然说句话还偷走信息呢~
二，起码信息量和信息量之间可以相加吧！假如你告诉我的第一句话的信息量是3，在第一句话的基础上又告诉我一句话，额外信息量是4，那么两句话信息量加起来应该等于7吧！难道还能是5是9？
三，刚刚已经提过，信息量跟概率有关系，但我们应该会觉得，信息量是连续依赖于概率的吧！就是说，某一个概率变化了0.0000001，那么这个信息量不应该变化很大。
四，刚刚也提过，信息量大小跟可能结果数量有关。假如每一个可能的结果出现的概率一样，那么对于可能结果数量多的那个事件，新信息有更大的潜力具有更大的信息量，因为初始状态下不确定性更大。
那有什么函数能满足上面四个条件呢？负的对数函数，也就是-log（x）！底数一般取2。前面再随便乘个常数也行。
a. 为什么不是正的？因为假如是正的，由于x是概率，小于等于1的数，log（x）就小于等于0了，取反为正数，第一个特点满足。
b. 咱们再来验证一下其他特点。三是最容易的。假如x是一个概率，那么log（x）是连续依赖于x的。
c。四呢？假如有n个可能结果，那么出现任意一个的概率是1/n，而-log(1/n)是n的增函数，没问题。
d。最后验证二。由于-log(xy) = -log(x) -log(y)，所以也是对的。学数学的同学注意，这里的y可以是给定x的条件概率，当然也可以独立于x。
所以我们知道一个事件的信息量就是这个事件发生的概率的负对数。
最后终于能回到信息熵。信息熵是跟所有可能性有关系的。每个可能事件的发生都有个概率。信息熵就是平均而言发生一个事件我们得到的信息量大小。所以数学上，信息熵其实是信息量的期望。
以上部分知识点是来自知乎的回答：http://www.zhihu.com/question/22178202/answer/57007321
在来看看官方定义信息熵是怎么回事。在信息论里面，熵(entropy)是信息不确定性的一个测度，熵越大则表示信息的不确定程度越高。这么说好像的确有点抽象，还是用公式解释吧：
这里H是熵，U可以理解为所有可能事件的集合，P(x)则是某一具体事件x发生的概率，对数的底一般取2。举个例子，预测明天的天气，如果能100%确定明天一定是晴天，那么熵就是-1*log1=0,也就是说不确定性为零。如果说明天有50%概率晴天，50%概率下雨，那么熵就是-0.5log0.5-0.5log0.5=(-0.5)(-2)+(-0.5)(-2)=1,可以说不确定性为1。而如果明天有25%概率晴天，25%概率下雨， 25%概率阴天， 25%概率下雪，那么熵就是4*(-0.25)(log0.25)=2， 也就是说随着不确定程度的增加，熵也在不断地增大。再举个例子，你可以统计一下我这段话里面不同的字出现的频率，然后算出这段话的熵，几乎可以肯定，这个熵会比一段胡乱打出的字的熵要低，因为胡乱打出的字所包含的不确定性比较高。
这里H是熵，U可以理解为所有可能事件的集合，P(x)则是某一具体事件x发生的概率，对数的底一般取2。举个例子，预测明天的天气，如果能100%确定明天一定是晴天，那么熵就是-1*log1=0,也就是说不确定性为零。如果说明天有50%概率晴天，50%概率下雨，那么熵就是-0.5log0.5-0.5log0.5=(-0.5)(-2)+(-0.5)(-2)=1,可以说不确定性为1。而如果明天有25%概率晴天，25%概率下雨， 25%概率阴天， 25%概率下雪，那么熵就是4*(-0.25)(log0.25)=2， 也就是说随着不确定程度的增加，熵也在不断地增大。再举个例子，你可以统计一下我这段话里面不同的字出现的频率，然后算出这段话的熵，几乎可以肯定，这个熵会比一段胡乱打出的字的熵要低，因为胡乱打出的字所包含的不确定性比较高。
通过上面解释可以看出信息熵可以量化信息大小、信息不确定程度。所以可以看出“熵”是一种量化工具，下面看看其它领域带“熵”应用，熵在热力学和其他一些领域中也有出现，虽然于信息熵的定义不尽相同，不过基本上都是用来表示系统的无序程度的。热力学上熵可以理解成另一种意义上的温度就好了。温度是一个状态函数，温度高的时候你觉得热，心情烦躁。温度低了你又觉得冷，浑身发抖。温度适宜，你才会觉得“状态好”。熵也是一个状态函数，无论是在信息学意义上还是在热力学意义上，熵太高了都意味着混乱，就像一群在热锅上团团乱转的蚂蚁。熵低了则意味着混乱的反面——有序，就好像把那一锅蚂蚁突然加液氮全部冻住，一切都会变得秩序井然，冰冷，简单。从物理本质上讲，温度反映了微观分子活动的剧烈程度，降温时分子运动变弱，这也就意味着它们的状态变少了。状态变少了，熵也就小了，所以熵这个概念是温度天生的双胞胎弟弟，只是出世稍微晚了些年头。稍微了解热力学第二定律的人都知道，一个封闭系统的熵总是在不断增加的，熵增可以说是宇宙最本质的规律之一。但是像我们人类这样的智慧生命，却一直在创造 着负熵，我们希望社会更加有序。大部分人的一生发展过程也是从大熵到小熵，正熵到负熵的过程，工作也是这样，开始时候啥都不懂，混乱一片，熵很大，最后慢 慢逐渐由调理，最后从事机械式的劳动，简直到负熵了。所以一个有意义的人生熵应该是正弦振荡的。
熵的应用：
之前在知乎上看到有人提问什么样的用户体验是最好的？用户体验能不能量化？我想我们可以借助熵的概念去定义一个用户体验熵，用体验熵来量化用户体验，你觉得呢？
熵的更多应用，后续再更新
参考资料：
http://www.zhihu.com/question/22178202/answer/49929786 来自知乎
http://www.zhihu.com/question/22178202/answer/57007321
来源：知乎
http://www.zhihu.com/question/22178202/answer/57007321
来源：知乎