精细化信任：面向带符号社交网络的细粒度图卷积网络信任评估

《Neurocomputing》：FineTrust: A fine-grained graph convolutional network for trust evaluation in signed social networks

　　

摘要
信任评估旨在探索社交网络中用户对用户的信任关系，对于社会推荐和信息传播至关重要。现有研究通常将信任评估视为分类问题，通过类别值来衡量可信度。为在更细粒度上刻画用户对用户的社交信任，研究人员提出了一种基于信任因子的信任评估框架，采用连续的可信度值，称为FineTrust。该框架结合社交图结构与信任关系动态，捕捉用户对用户信任关系的传播与聚合规律。核心思想是分类邻居对目标用户可信度的影响。具体而言，邻居首先分为四类：入度/出度信任/不信任因子，然后根据与目标节点的相似性区分每类邻居以获得影响系数。研究人员设计了由四个基于注意力的聚合器组成的聚合函数，从局部图邻域获取社交信任特征信息，并通过堆叠图卷积层学习社交信任的可传播性和可组合性，最后通过多层感知机(MLP)对网络中未显式连接的用户进行可信度回归预测。在真实数据集上的大量实验表明，FineTrust在平均绝对误差(MAE)、均方根误差(RMSE)和皮尔逊相关系数(PCC)方面分别至少提升了1.45%、0.13%和1.81%，优于现有最先进的信任评估模型。

论文解读
随着在线社交网络如Facebook、LinkedIn和Twitter的广泛使用，信息一旦发布可迅速在网络中传播，并形成公众舆论。用户对信息的参与依赖于提供信息的邻居用户。如果用户完全信任信息来源，则更可能接受并转发信息。因此，用户对用户的信任评估对于社交推荐和信息传播至关重要。然而，现有的信任评估方法主要基于分类机制，仅提供粗粒度的信任表示，难以捕捉真实社交关系中细微而复杂的信任差异。此外，信任关系具有非对称性、可传播性和可组合性，而传统方法未能有效建模这些属性，同时难以区分邻居对目标用户的不同影响。

针对上述问题，研究人员提出FineTrust，一种针对带权符号社交网络的细粒度信任评估框架。FineTrust基于图卷积网络(GCN)设计，通过以下策略实现精细化信任建模：首先将目标用户与邻居之间的信任关系分为四类——入度信任因子、入度不信任因子、出度信任因子、出度不信任因子，并依据邻居与目标用户的相似性分配权重，从而获得差异化的邻居影响系数。随后，构建四个基于注意力的聚合器以从局部图邻域提取信任特征，通过堆叠图卷积层捕捉多跳邻居的传播和组合效应。最后，利用多层感知机(MLP)对网络中未直接连接的用户进行信任值回归预测，从而实现对社会信任的连续量化表示。

在方法论上，研究人员使用了四个公开的带符号信任数据集进行实验验证，主要技术手段包括：1) 图卷积网络(GCN)进行特征传播与组合；2) 基于注意力机制的邻居聚合器提取局部信任特征；3) 多层感知机(MLP)用于回归预测未连接用户间的信任值；4) 邻居差异化策略量化不同邻居对目标用户的影响。

研究结果显示，FineTrust在预测精度与鲁棒性上均优于三种主流GNN信任评估模型。在“邻居差异化策略”部分，通过对邻居进行四类划分并分配相似性权重，研究人员验证了邻居影响差异化对信任预测的重要性；在“注意力聚合器”部分，局部图邻域信息的提取显著提升了模型对微妙信任关系的识别能力；在“模型整体性能”部分，实验结果表明FineTrust在MAE、RMSE及PCC指标上均超过基线模型，尤其在稀疏连接网络下表现稳健。

在讨论中，研究人员强调FineTrust能够捕捉社交信任的非对称性、可传播性和可组合性，实现对用户间信任关系的连续量化表示。这种细粒度信任评估框架不仅提升了预测准确性，还为社交推荐、信息传播路径优化及在线社交网络分析提供了新的工具。论文最终得出结论：FineTrust有效地利用了带符号社交网络的图结构和信任动态，通过邻居差异化与注意力聚合策略，实现了精细化、可量化的用户信任评估，为相关领域提供了可扩展的建模方法和实践参考。