TrustGNN：基于图神经网络的可学习传播与组合特性信任评估方法
机器学习
2022-05-26 v1
摘要
信任评估对于网络安全、社交通信和推荐系统等诸多应用至关重要。用户及其之间的信任关系可视为图。图神经网络（GNNs）在分析图结构数据方面展现出强大能力。最近，已有工作尝试将边的属性和不对称性引入GNNs以进行信任评估，但未能捕捉信任图的一些本质特性（如传播性和组合性）。在本工作中，我们提出一种基于GNN的新型信任评估方法TrustGNN，该方法将信任图的传播性和组合性巧妙地整合到GNN框架中，以实现更好的信任评估。具体而言，TrustGNN为信任的不同传播过程设计了特定的传播模式，并区分不同传播过程对创建新信任的贡献。因此，TrustGNN能够学习全面的节点嵌入，并基于这些嵌入预测信任关系。在多个广泛使用的真实数据集上的实验表明，TrustGNN显著优于当前最先进（SOTA）的方法。我们进一步进行分析实验，以证明TrustGNN中关键设计的有效性。
引用
@article{arxiv.2205.12784,
title = {TrustGNN: Graph Neural Network based Trust Evaluation via Learnable Propagative and Composable Nature},
author = {Cuiying Huo and Di Jin and Chundong Liang and Dongxiao He and Tie Qiu and Lingfei Wu},
journal= {arXiv preprint arXiv:2205.12784},
year = {2022}
}