基于机器学习算法的网络信息可信性感知仿真

摘要：

针对传统感知网络信息可信性的方法存在感知结果与事实不一致、影响网络运行速度等同题,提出一种基于机器学习算法的网络信息可信性感知.对网络信息可信性影响要素进行分析,将其主要分为三种影响因素,建立机器学习算法的基础相关向量机模型.通过贝叶斯理论等,将机器学习算法向量机模型进行推导,采用狄拉克函数进行相对应的近似计算,降低信息数据传输,提升核函数选择范围.将网络信息可信性感知评价标准分为主观和客观两部分,主观为信息内容质量感知,客观为网络稳定性感知,以此实现网络信息可信性感知的评价.仿真结果表明:所提感知方法能够快速评判目标信息可信程度,在网络不稳定时能够精准感知,且网络运行速度较快.

关键词：机器学习算法、相关向量机、网络信息、信息可信性

所属期刊栏目：37

分类号：TP393(计算技术、计算机技术)

资助基金：贵州省科技厅科技支撑项目黔科合支撑[2019]2885

在线出版日期：2020-09-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：239-242,445