第一节.介绍

A. 建议的解决方案

与多跳信任评估问题的传统解决方案不同，我们建议“学习”整个信任计算过程，而不是在数学上定义它。所提出的解决方案称为NeuralWalk，它采用神经网络架构WalkNet来捕获TSN中的信任传播和融合。以前的研究表明，信托意见确实从一个用户传播到另一个用户，并且可以融合几个信托意见（受托人）以得出新的信托意见。因此，建议使用贴现算子和组合算子来模拟这两种操作[8]。现有的文献[14]，[12]，[13]试图理解这些操作，然而，信任传播和融合的潜在机制仍然不清楚。 在WalkNet中，这些操作是通过神经网络中神经元的连接来实现的。这两个操作的参数是从训练数据集中学习的。

除了缺乏对信任意见操作的理解之外，多跳信任评估面临的一个实际问题是，在大多数现有数据集中，用户之间的信任通常表示为评级，而不是意见。信任评级是序数或分类值，表示不同的信任级别;因此，必须首先将其转化为准确信任评估的意见。为了解决这个问题，从 WalkNet 中神经网络层的信任评级中学习意见。信任计算后，结果意见将转换为标量数字，以匹配数据集中的原始信任评级。这是通过 softmax 函数实现的，该函数将意见转换为多项式分布，从中可以获得最有可能的信任评级。最后，我们使用交叉熵函数作为损失函数来促进对训练过程至关重要的反向传播算法。

随着WalkNet启用单跳信任评估，我们进一步提出了一种名为NeuralWalk的算法来支持多跳信任评估。NeuralWalk是一种迭代算法，每次迭代有两个步骤：训练和推理。在训练步骤中，通过最小化预测信任评级和标签（基本事实）之间的交叉熵来训练 WalkNet。训练后，可以学习将信任评级转换为意见的参数，以及用于贴现和组合运算符的参数。在推理步骤中，NeuralWalk 迭代地使用经过训练的 WalkNet 对未知信任关系执行单跳信任推理。基于每次迭代中的单跳信任推理结果，该算法将以广度优先搜索（BFS）的方式“遍历”整个TSN，进行多跳信任评估。

B. 技术挑战

NeuralWalk解决了现有信任评估解决方案中未充分研究的三个技术挑战。首先，据我们所知，大多数现有的多跳信任评估方法，包括信任传播和融合，都是演绎的。这意味着这些模型和算法中的信任操作必须遵守从基于认知识别的假设派生的规则或逻辑。然而，这些规则和/或假设被批评为不切实际或无法在不同系统中提供灵活的信任评估。例如，“敌人的敌人就是我的朋友”这句话在不同情况下可能是真的，也可能是假的[15]。因此，必须定制信任评估中使用的规则和假设，并根据经验微调相应的信任模型;否则，演绎解决方案将很难捕捉到信任传播和融合的本质。为了应对这一挑战，NeuralWalk模型以归纳方式信任用户之间的传播和融合。在WalkNet中，信任传播和融合的规则是从从真实数据集中获得的训练样本中学习的。通过这种方式，NeuralWalk会自动适应数字拟合最多的模型，从而消除了任何手动工作。

其次，以前的一些多跳信任评估模型[12]，[13]，[16]使用证据（例如，正面，负面和不确定的证据）作为准确量化信任关系的输入。 但是，几乎所有现有数据集中通常都无法获得这些信息。此外，在许多情况下，由于隐私问题，不允许收集信息。事实上，大多数信任社交网络中仅提供有序或分类的信任评级。就我们的知识而言，关于如何有效地从有序或分类信托评级转换为信托意见的研究非常有限，反之亦然。为了打破这一限制，NeuralWalk将转换整合到WalkNet中，即通过一层神经网络将有序或分类的信任评级转换为信任意见。层的参数是共同学习的，也是意见算子的参数被学习的。

最后，TSN中的信任传播和融合很难通过端到端神经网络来解决。这是因为 TSN 中用户之间的网络拓扑不一致且复杂，尤其是当它们彼此相距多个跃点时。因此，对于架构一致的端到端神经网络来说，很难（如果不是不可能的话）精确捕获信任传播和信任融合。为了应对这一挑战，WalkNet被设计为仅处理单跳信任传播和融合，WalkNet的架构是一致的。神经网络算法基于学习的WalkNet，以BFS的方式迭代搜索TSN，实现多跳信任评估。

C. 贡献

本文的贡献主要在以下四个方面。

首先，我们首次提出了一种独特的基于神经网络的解决方案，用于信任社交网络中的多跳信任评估。

其次，现有的信任模型过于复杂，无法通过现有的TSN数据集进行验证，然而，拟议的WalkNet解决了这个长期存在的问题，它提供了一种在信任评级和信任意见之间自由映射的机制。

第三，实验结果表明，与以前的方法相比，WalkNet不仅是一个有效的信任计算模型，而且NeuralWalk算法能够提供准确的信任评估，即实现最先进的性能。

最后，NeuralWalk中的WalkNet模型可以被任何其他机器学习模型所取代，从而为更准确的信任评估提供机会。此功能还使NueralWalk成为可以轻松适应其他网络应用程序的基本框架。

以往在信托评估方面的研究主要集中在两个方面，即信托推断和信任建模。信任推理侧重于在复杂网络中进行多跳信任评估。假设信任是一个标量数，并且信任值是从委托人和受托人之间的路径得出的，提出了一些研究工作[11]，[9]。[11]，[9]中提出的方法旨在通过在网络中执行路径搜索来计算可信度，并将信任传播建模为网络中的流衰减和聚合。但是，这些方法缺乏对信任进行建模的准确方法。另一方面，信任建模侧重于用数学模型表示两个用户之间的现有信任。传统方法将信任建模为基于证据或观察的统计分布[7]，[8]。这些方法的优点是它们能够以可解释的方式对信任的复杂性进行建模。然而，限制是这些方法由于[12]中确定的限制而无法处理复杂的网络。结合信任建模和推理，提出AssessmentTrust[12]和OpinionWalk [13]在复杂网络中进行信任评估，例如在线社交网络。然而，AssessmentTrust和OpinionWalk仍然存在的一个不平凡的问题是，它们的参数必须根据经验来确定，这限制了它们的准确性，并且在信任评估系统中是不切实际的。最近，基于矩阵分解的方法[25]，[23]，如Matri，被提出以归纳方式进行信任建模和推理。 通过最小化观察到的信任值与相应委托人/受托人向量的内部积之间的误差，可以通过在其特征向量上进行内部产品来预测未观察到的信任值。这些方法的主要限制是该模型的输出是指示信任强度的连续标量，因此无法准确拟合到大多数信任数据集中存在的离散信任评级中。此外，它们都不考虑信任融合操作，因此它们的准确性会受到影响。

WalkNet的想法受到最近在图表示学习方面的研究[26]，[27]，[28]，[29]的启发。在[26]中，提出了一种称为DeepWalk的方法，该方法基于局部区域中节点的共现来学习社交网络中节点的分布式表示。分布式表示是具有相同维度的向量。因此，社交网络中两个节点之间的连接强度可以通过表示它们的向量之间的距离来衡量。基于DeepWalk，在[27]中进行了改进，以考虑社交网络的动态性和可扩展性。在[28]中，提出了一个名为GraphSage的框架，通过学习和聚合目标节点周围k跳节点的特征表示来预测目标节点的特征。与GraphSage类似，在[29]中，提出了一种称为R-GCN的模型，通过目标边缘周围节点的特征（实体类型）表示来预测目标边缘的特征（链接类型）。

请注意，WalkNet模型和NeuralWalk算法与上述工作不同。一方面，WalkNet利用串行和并行类型中边缘特征的相互作用来预测某个边缘的特征。另一方面，WalkNet仅被视为单跳信任评估的端到端解决方案。与WalkNet合作，NeuralWalk算法以BFS的方式跨TSN进行多跳信任评估。

我们提出了一种机器学习驱动的算法NeuralWalk来解决信任社交网络中的信任评估问题。与传统解决方案不同，NeuralWalk采用称为WalkNet的神经网络架构来模拟单跳信任传播和信任组合。当NeuralWalk算法在信任社交网络中进行搜索时，通过神经网络的标准训练框架学习WalkNet中的参数。基于学习的单跳信任计算，即贴现和组合操作，NeuralWalk以BFS的方式迭代进行多跳信任评估。针对两个真实世界的数据集进行了实验，结果表明NeuralWalk的性能优于最先进的解决方案。作为一个基本框架，NeuralWalk可以扩展以应对更复杂的信任推理算法。所获得的信任评级和信任意见转换机制可用于覆盖现有数据集，以支持复杂信任模型的验证。