特别说明：由于本项目是两个小伙伴临时起意报名参加的，确实有非常多得开发工作要做，而因为时间紧迫得问题，无缘参加专门的直播活动了，望社区海涵，在此对项目进行一个简单说明。
一. 概要说明
1. 产品原型：
a. breakingNews列表：
b. breaking News具体内容：
- 访问链接：后续公开
- github：
a. C端：GitHub - zation/breaking-news-client
b. 合约：后续公开
二. 可信度评估模型
总体设计
可信度包括News可信度、Viewpoint可信度、user可信度，满足以下可信度约束关系：
- Viewpoint可信度由的author user可信度、news可信度，对该vp的点赞、踩操作决定：
a. 该vp支持的news，两者可信度正相关；反对的news，两者可信度负相关；
b. 与点赞user的可信度正相关；与踩user的可信度负相关；
c. 与author user的可信度正相关； - News可信度由的author user可信度、viewpoing可信度，对该news的点赞、踩操作决定：
a. 与author user可信度正相关；
b. 与支持vp的可信度正相关；反之亦然；
c. 与点赞user的可信度正相关；反之亦然。 - user可信度由相关news、viewpoint可信度决定，相关包括：作为author、作为点赞/踩的参与者：
a. author user可信度与news可信度正相关，viewpoint同理；
b. 点赞uesr可信度与news可信度正相关，viewpoint同理；踩uesr可信度反之亦然。
设计说明
- 根据上述可信度约束关系，可信度评估模型的设计思路如下：
a. 理论上，由于user、news、viewpoint相互间都存在影响，即存在以下方程组：
b. 简化成向量形式为，令向量
，有向量方程：
，其中up、down是每次计算时的常量
c. 这实际上是一个不动点方程，可采用迭代求解，其原理如下：
即迭代执行
，直至收敛；
d. 向量方程有解，即不动点存在，这需要满足Lipschitz条件（
是一个收缩算子），即 需要满足：
，其中 
；
e. 其求解过程依赖于收敛性，收敛速度依赖于γ值得大小，然而这种迭代收敛求解的方式并不适合链上的算力情况，会导致每次计算的gas消耗过高，甚至无法在最高gas限制下完成计算；
f. 如果有可验证计算基础设置的支撑，可以将合约中的计算过程从链上扩展到链下完成，则可以设计出更加精确的模型，幸运的是PlatON隐私计算基础设施将在未来支持可验证计算，但在其落地之前，尚无比较合适的工程手段，由此可见，PlatON隐私计算的基础设施，对未来诸多更加复杂应用的落地，确实是非常有价值的； - 可信度评估模型的准确度，取决于数据的不断扩展，从理论上讲，项目发展到后期必然会通过一个无监督学习模型来作为评估模型，但具体实施至少还需要考虑以下两个方面：
a. 数据积累没有达到一定量级以前，需要通过设计符合上面可信度约束关系的显示数学模型来过渡；
b. 在可验证计算落地前，基于无监督AI模型的可信度评估模型难以落地，因为链上由于不支持浮点运算、算力有限等问题，对计算模型的复杂度限制很大，模型的训练、计算过程从链上扩展到链下难以开展； - 用户可信度的取值范围是(0, +∞)，即用户的任何操作，都会带来被操作对象可信度的改变，爆料、观点可信度没有限制，小数点后面两位；
- 在News、Viewpoint的评估模型中，采用指数平均；
- 该模型具有在线自进化的特点，即使用者越多、用的时间越久，则可信度评估越准确；
详细设计
综上所述，考虑隐私计算基础设施的当前状态，以及链上智能合约执行的算力局限，在黑客松阶段，需要在兼顾评估准确性、链上执行效率、gas消耗的基础上，对模型的复杂度进行控制，该模型需要能够符合前文中提到的可信度约束条件，具有较高的链上可执行性，需要牺牲一定的收敛时间消耗，但依然满足平台参与者越多、运行时间越久，可信度评估的准确度越高的特点，详细设计见下文。
说明：
- 为便于理解，下述公式写成加权平均的形式，实际实施采用指数平均；
- 以下公式以及参数的默认设置，根据仿真结果，在后续的开发中可能会进行细微的调整。
Viewpoint可信度
计算公式
说明：
- Viewpoint可信度由关联的news以及自身观点、点赞（up）的用户、踩的（down）用户，以及作者的可信度决定；
- 可以证明，该计算方式，满足上文中提到的可信度约束关系。
参数说明
-
代表其相关news的可信度权重，默认设置为0.3； -
代表点赞、踩用户带来的可信度权重，默认设置为0.4； -
代表作者带来的可信度权重，默认0.3； - 在更合理的模型中 、 、 权重应该是根据操作量可变的，在本次黑客松中是否实施视开发进度而定；
- 支持，isSupport为1；反对，isSupport为-1;
- 点赞，isUp为1；踩，isUp为-1。
News可信度
计算公式
说明：
- news可信度由关联的Viewpoint及其观点、点赞（up）的用户、踩的（down）用户，以及作者的可信度决定；
- 可以证明，该计算方式，满足上文中提到的可信度约束关系。
参数说明
-
代表其相关viewpoint的可信度权重，默认设置为0.4； -
代表点赞、踩用户带来的可信度权重，默认设置为0.3； -
代表作者带来的可信度权重，默认0.3； - 更合理的模型中 、 、 权重是根据操作量可变的，在本次黑客松中是否实现视开发进度而定；
- 支持，isSupport为1；反对，isSupport为-1；
- 点赞，isUp为1；踩，isUp为-1。
User可信度
计算公式
说明：
- user可信度由相关联的news、观点，包括作为author发布的，作为点赞/踩者操作的；
- 可以证明，该计算方式，满足上文中提到的可信度约束关系。
参数说明
-
代表作为作者发布的News的可信度权重，默认设置为0.4； -
代表作为作者发布的Viewpoint的可信度权重，默认设置为0.3； -
代表作为点赞/踩者的news可信度权重，默认0.2； -
代表作为点赞/踩者的viewpoint可信度权重，默认0.1； - 更合理的模型中 、 、 、 权重是根据操作量可变的，在本次黑客松中是否实现视开发进度而定；
- 点赞，isUp为1；踩，isUp为-1。
