14、车载自组织网络中面向信息的可信度评估

车载自组织网络中面向信息的可信度评估

1. 消息聚类

在消息分类过程中，先对消息进行初步聚类得到 C1 和 C2，然后分别对 C1 和 C2 进行二级聚类。基于消息内容，C1 进一步分为两个簇：C11 = {Msg7, Msg8}，C12 = {Msg9, Msg10}；同样，C2 也基于内容分为两个簇：C21 = {Msg11, Msg12}，C22 = {Msg13}。

2. 面向信息的信任模型

消息分类完成后，需要确定哪些消息组是真实可信的，为此设计了面向信息的信任模型。该模型的整体过程是识别可能指示消息可信度的因素，量化其影响并整合效果，生成一个便于终端用户理解和决策的整体可信度得分。

2.1 内容相似度的影响

对于与同一事件相关的一组消息，相似的消息通常相互支持。就像日常生活中的对话，支持同一事实的人越多，该事实越有可能是真实的。为了模拟这种效果，使用两个参数：
- 同一簇中两条消息内容的最大距离（maxDc），用于量化同一簇中信息的相似度，距离越小，信息相互支持程度越高。
- 簇中消息的数量（Nc），消息数量越多，消息获得的支持越高。

通过以下公式计算支持值：
[Support(c) = \frac{e^{\frac{N_c}{N_e}}(\frac{3}{2} - \frac{maxD_c}{\rho_{ed}})}{2 \cdot 3e}]
公式解释：
- 公式的第一部分，(N_e) 是关于该事件的消息总数，(\frac{N_c}{N_e}) 用于将值归一化到 0 到 1 的范围，然后用指数函数 (e^{\frac{N_c}{N_e}}) 模拟 (