CAT：上下文感知能否预测动态异构网络中的信任？
机器学习
2025-12-15 v1
摘要
信任预测为决策支持、风险缓解和系统安全增强提供了有价值的支持。近期，图神经网络（GNN）作为一种有前景的信任预测方法崭露头角，这得益于其学习表达性节点表示以捕获网络内复杂信任关系的能力。然而，当前基于GNN的信任预测模型面临若干限制：（i）大多数模型未能捕获信任的动态性，导致推断存疑。（ii）它们很少考虑真实网络的异构性，导致丰富的语义信息丢失。（iii）它们均不支持上下文感知——信任的基本属性，使得预测结果粒度粗糙。为此，我们提出了CAT，第一个基于GNN的上下文感知信任预测模型，支持信任动态性并准确表示真实世界的异构性。CAT由图构建层、嵌入层、异构注意力层和预测层组成。它使用连续时间表示处理动态图，并通过时间编码函数捕获时间信息。为建模图异构性并利用语义信息，CAT采用双注意力机制来识别不同节点类型及各类型内节点的重要性。为实现上下文感知，我们引入了一种新的元路径概念以提取上下文特征。通过构建上下文嵌入并集成上下文感知聚合器，CAT可以预测上下文感知信任和总体信任。在三个真实数据集上的广泛实验表明，CAT在信任预测方面优于五组基线，同时展现出对大规模图的可扩展性以及对面向信任和面向GNN攻击的鲁棒性。
引用
@article{arxiv.2512.11352,
title = {CAT: Can Trust be Predicted with Context-Awareness in Dynamic Heterogeneous Networks?},
author = {Jie Wang and Zheng Yan and Jiahe Lan and Xuyan Li and Elisa Bertino},
journal= {arXiv preprint arXiv:2512.11352},
year = {2025}
}