TrustGTN：一种基于异构图神经网络的社会网络信任评估方法 刘晓、 杨在、 陈金宁、 李高翔

《Computers》：TrustGTN: A Social Network Trust Evaluation Method Based on Heterogeneous Graph Neural Network Xiao Liu, Zai Yang, Jining Chen and Gaoxiang Li

　　摘要 社交网络和在线平台的快速增长提高了在各种应用中信任评估的重要性，包括电子商务、社交网络、在线协作和移动众包。传统的信任评估方法通常依赖于手工制作的特征和简单的模型，这些方法无法完全捕捉社交网络复杂异构结构中的隐含模式。为了解决这个问题，我们提出了TrustGTN，这是一种基于异构图神经网络（HGNNs）的新方法。它结合了一种软选择机制，可以动态调整训练矩阵的权重，从而能够捕捉图的不断变化的结构和语义模式。该模型可以自动学习重要的信任链，而无需手动设置它们的长度。实验结果表明，TrustGTN在公共数据集上的表现优于现有的信任评估方法，证明了其在处理异构图数据方面的优势。

1. 引言
随着社交网络的快速发展，用户在在线平台上的互动已成为日常生活的重要组成部分。通过这些平台，用户通过分享内容、表达意见和与他人互动来构建复杂的社交网络。通过利用用户数据和行为模式，广告商可以提供更精确和有针对性的广告。个性化内容推荐和好友建议也可以更有效地进行优化[1,2]。然而，互联网的开放性质使社交网络容易受到恶意行为者传播的错误信息的影响，这凸显了需要强大的信任评估机制的紧迫性。传统的信任评估方法[3,4,5,6]主要依赖于历史交互数据和用户评分等显式特征。然而，这些方法往往过于简化了信任动态，无法捕捉社交网络中信任传播的复杂性和多样性。社交网络本质上具有高度结构化的拓扑结构，其中节点代表用户或实体，边表示它们之间的各种关系。信任通过直接和间接的互动传播，形成可能涉及多个节点和边类型的信任路径。传统方法往往无法充分利用这些复杂结构中嵌入的丰富隐含模式。因此，基于社交网络结构中固有的隐式特征准确评估信任已成为一个关键的研究挑战。

图神经网络（GNNs）在深度学习领域受到了广泛关注，因为它们是专门为处理图结构化数据而设计的模型。图是一种普遍的数据表示格式，应用范围从预测分子结构[7,8]和社交网络节点分类[9,10]到推荐系统[11]。在这些图中，节点代表实体，边表示它们之间的关系。GNNs的主要优势在于它们能够直接利用图数据的结构化特性。通过信息传播和聚合，节点可以有效地交换和整合特征。此外，GNNs能够捕捉高阶依赖关系并学习更深层次的结构信息。它们也很好地适应了复杂的非欧几里得数据。这使得它们在各种与图相关的任务中非常有效，特别是在信任评估领域，GNNs可以通过传播和聚合机制来建模信任模式。信任通过节点之间的关系流动，不同类型边对信任传递的影响各不相同。此外，GNNs利用多跳传播机制来捕捉间接的信任关系。这使它们能够建模通过相互连接建立的信任。通过信任传播，GNNs从相邻节点聚合信任信息。它们还结合当前节点的特征来生成新的节点表示。注意力机制进一步增强了这一过程，使GNNs能够适应性地学习相邻节点的重要性，区分可信和不可信的来源。因此，GNNs能够捕捉社交网络中的显式特征和复杂的隐式信任模式，成为信任评估的强大工具。

图1展示了信任的几个关键属性。虚线箭头表示不确定的信任关系，实线箭头表示确认的信任关系，箭头上的数字表示信任级别。信任是可传播的，但不是简单的传递的。如图1a所示，A对B的信任（级别2）和B对C的信任（级别1）并不能保证A信任C；这种传播需要A认可B的判断。此外，信任在传播过程中会衰减——链条越长，信任强度越弱，就像信号随距离减弱一样。图1b展示了信任的可组合性。在这里，A通过两条路径到达D：A → B → D 和 A → C → D。在评估A对D的总体信任时，必须汇总两条链的贡献，反映了信任如何由多个来源组成。图1c突出了信任的不对称性：A对B的信任并不意味着B对A的信任。这种单向性在模拟现实社交关系中是必不可少的。最后，图1d展示了一个整合了这些属性的小型信任网络，作为后续分析的参考。

2. 相关工作
信任评估在社交网络中起着关键作用，特别是在在线社区、社交媒体平台和电子商务中，信任显著影响用户行为、信息传播和推荐系统。最近在社交网络信任评估方面的研究取得了实质性进展，主要集中在传统的信任建模、机器学习方法和基于图神经网络（GNN）的方法上。

2.1. 传统信任建模方法
传统的信任评估方法通常通过声誉、用户交互历史和社交网络中的权威等属性来评估信任。值得注意的方法包括贝叶斯推理[12]、主观逻辑[13]和模糊逻辑[14]。虽然这些方法可以量化信任，但它们往往涉及复杂的数学模型，这可能会阻碍实际应用。

2.2. 机器学习方法
由于数据量大且结构复杂，传统的信任评估方法无法基于大数据技术计算信任值。机器学习作为一种重要且常用的处理大数据的技术，可以系统且有效地处理数据，提高计算效率。因此，许多研究人员提出使用机器学习来评估信任。机器学习的目标是使用计算机从数据中生成模型，即通过机器进行学习。MATRI[15]结合了信任的传递性、多面性和先验知识，通过潜在因子矩阵和信任偏差来优化信任推理。NeuralWalk[16]提出了一种基于神经网络的多跳信任评估方法。其核心思想是通过WalkNet学习单跳信任传播和融合规则，将信任级别转换为向量化意见，并迭代执行多跳推理。与传统基于规则的方法相比，NeuralWalk在准确性和鲁棒性方面表现更优，适用于分析和预测复杂的信任社交网络。

2.3. 图神经网络方法
在图神经网络（GNNs）领域，根据节点和边的类型，图可以分为同构图和异构图。异构图指的是节点类型加上边类型的数量大于二的图。近年来，在GNNs方面有许多优秀的研究成果，例如图卷积网络（GCN）[17]、图注意力网络（GAT）[18]和GraphSAGE[19]用于同构图。在异构图的研究中，有异构图神经网络（HGNN）[20]、关系图卷积网络（RGCN）[21]、MAGNN[22]和异构图注意力网络（HAN）[23]。一些学者提出使用GNNs进行信任评估。例如，Lin等人提出了一个基于GCN的信任评估框架Guardian[24]，通过将高阶社交信任关系注入多个信任卷积层来细化流行度信任嵌入和参与度信任嵌入，有效提高了评估准确性。Huo等人提出了一个基于HAN的信任评估框架TrustGNN[25]，它充分考虑了不同类型信任链在信任传播过程中对目标节点的不同影响。它使用二阶元路径和可学习的注意力机制，使节点能够从不同的信任链中学习信息，更好地捕捉社交网络的可组合性。然而，尽管取得了成就，但仍存在一些不足：（1）尽管TrustGNN考虑了一阶和二阶元路径的权重问题，但元路径的选择需要手动预定义，这显著影响了GNNs下游任务的结果。（2）信任评估可以被视为一种边分类问题，但大多数现有的深度学习信任评估框架遵循节点分类方法，更多地关注节点特征，而很少关注边特征和权重。

基于上述因素，我们提出了我们的模型TrustGTN，其贡献如下：
通过为每种边类型分配可学习的权重，该模型实现了基于边重要性的元路径邻接矩阵的软选择机制。这种方法消除了手动预定义元路径的必要性，允许动态发现任意长度的元路径，并提高了整体模型性能。边权重基于从初始邻接矩阵中提取的节点度信息进行初始化。在构建元路径邻接矩阵的过程中，通过基于节点特征的重新校准进一步细化边权重。通过将重新校准的权重与初始边权重结合，重建了一个更具表现力和适应性的元路径邻接矩阵。为了增强消息聚合，采用了来自知识图嵌入的技术，特别强调了RotatE方法。这使得边特征信息能够有效地整合到表示学习过程中，更全面地捕捉关系依赖性。

3. 问题定义与分析
3.1. 异构信任图
在本文中，我们将在线网络中的信任关系定义为异构信任图?? =(??,??,????,????)，其中每个节点?? ∈??和每条边?? ∈??都有它们的映射函数?????(??) :?? →????和?????(??) :?? →????。异构图??可以表示为一组邻接矩阵{????}|????|??=1或张量（例如，?? ∈??|??|×|??|×|????|），其中|??| =??且???? ∈????×??是第t种边类型的邻接矩阵。?????[??,??]表示从节点i到节点j的边权重。由于信任是不对称的，?????[??,??] ≠?????[??,??]。当|????| =1且|????| =1时，图成为同构图。以公共数据集Advogato为例，有四种类型的信任关系：{???????????????????????,?????????????????????????????,??????????????????????????,?????????????????}。根据之前的工作，我们在实验中不考虑节点类型，即|????| =1且|????| =4。

3.2. 元路径
元路径是异构图中的一个关键概念。它是由一个或多个边组成的路径，定义了节点之间的关系结构。通过指定特殊类型的节点和边的序列，这有助于捕捉节点之间的高阶依赖关系。元路径可以定义为：
??1?????(??1)←←←←←←→??2?????(??2)←←←←←←→??????(????)←←←←←→????+1 (1)
其中?????(????)表示元路径中第l条边的类型。这个元路径表示节点??1和节点????+1之间的复合关系 ??=?????(??1)°?????(??2)??????(????) (2)
其中°表示复合关系运算符。

3.3. 图卷积网络（GCN）
在这项研究中，我们使用图卷积网络（GCN）来有效捕捉和学习节点表示，用于分类任务。GCN是一种专门为处理图结构化数据而设计的强大神经网络模型，它能够利用拓扑结构和节点属性来增强学习。通过端到端训练策略，该模型可以自动从给定的图中提取有意义的结构依赖性和特征相关性，最终提高分类和其他下游任务的准确性和鲁棒性。设??为表示节点属性的输入特征矩阵，???为应用GCN层后获得的输出特征矩阵。GCN的前向传播过程如下：
???=σ?(????1???*??????) (3)
其中??* =?? +??是图??的邻接矩阵，添加了自环以包括节点自身的特征。??表示初始邻接矩阵，??表示单位矩阵。这确保在消息传递过程中，每个节点不仅从其邻居那里聚合信息，还从自身聚合信息。我们将在第5节讨论和分析其作用。??是对角度矩阵，其中每个元素???????表示图中节点??的度（即连接数）。????1是度矩阵??的逆矩阵。??是一个可训练的权重矩阵，在训练过程中学习以优化特征转换。σ是激活函数，它为模型引入非线性，提高其学习复杂模式的能力。????1???*表示归一化的邻接矩阵，其中每一行都除以相应的度。这种归一化确保特征以尺度不变的方式聚合，防止数值不稳定并提高收敛性。我们的研究过程如图2所示。数据集提供了预定义的邻接矩阵、节点特征和边特征。在此基础上，我们引入异构图和元路径，并进一步使用元路径重构邻接矩阵，生成基于元路径的邻接矩阵网络结构。然后将这个元路径邻接矩阵以及节点和边特征输入到图神经网络模型中。该模型的核心机制涉及通过节点间的信息传播和聚合动态更新节点特征。最后，我们使用多层感知器（MLP）来预测边类型。图2. 处理工作流程。

3.4. 作为边分类问题的信任评估的理论基础
社交网络中的信任本质上是一个关系属性，而不是节点属性。尽管现有研究经常将信任评估建模为节点分类任务——即通过学习节点嵌入表示来推断可信度——但这种范式隐含地将信任视为节点的固有属性，忽略了信任关系的方向性、异质性和上下文依赖性。从图论的角度来看，信任关系可以被形式化为有向边上的标签或权重，其值空间对应于离散的信任级别或连续的信任强度。因此，信任评估的核心任务实际上是区分图中每条有向边的信任类别，这自然与边分类框架一致。将信任评估重新定义为边分类任务具有以下理论优势：
(1) 任务一致性：信任表达的基本单位是“用户A对用户B的信任”，这是一个语义单位，对应于图中的有向边，而不是单个节点。边分类直接将边作为预测单元，确保任务目标与信任的定义高度一致。
(2) 关系异质性的显式建模：在异构信任网络中，边不仅传递信任值，还传递多种关系类型（例如Advogato数据集中的四种信任级别）。边分类框架使模型能够直接区分边类型，而不是通过节点表示间接推断它们，从而更充分地利用边级信息。
(3) 不对称性的自然表达：信任本质上是不对称的——A对B的信任并不意味着B对A的信任。边分类自然支持有向边的建模，而节点分类方法通常需要诸如双通道嵌入之类的补偿机制，这会增加建模复杂性。

总之，将信任评估形式化为边分类问题不仅仅是任务表示的简化；它是与信任关系的本质重新对齐。TrustGTN正是基于这种理解构建的：它在模型设计中采用边作为预测单元，并通过异构图中的边特征学习和融合机制实现信任关系的有效建模。

4. 方法论
第l个TrustGTN模型的网络结构如图3所示。我们首先提供模型架构的简要概述，然后在后续部分通过公式进行详细解释。我们模型中使用的邻接矩阵和节点特征直接来自第5.1节介绍的公共数据集，无需任何额外的手动特征工程。该模型采用分层多通道图转换架构，其核心由堆叠的TrustGT层组成。每个TrustGT层包含多个并行特征学习通道，这些通道通过轻量级的1 × 1卷积动态学习和融合不同边类型的重要性权重，从而隐式地建模复杂的多跳语义路径，并避免传统方法中显式元路径枚举相关的存储和计算开销。这些层级联以实现深度特征传播和细化。在每个通道中，节点特征经过基于注意力的邻域信息聚合，并通过RotatE嵌入模块进一步增强，以改善不对称关系的建模。此外，引入了特征敏感的边权重校准机制，以关注重要的网络连接。最后，所有通道的输出被有效地整合并输入到预测层进行信任关系分类。

通过堆叠TrustGT层来学习任意长度的元路径意味着我们可以找到更有用的元路径，构建更丰富的图结构并捕捉更多的潜在模式和关系。可学习元路径的原始想法是将特定边类型的邻接矩阵（例如??1,??2?????）相乘，得到???? =???????????2?????1。基于此，每个TrustGT层使用1 × 1卷积操作来软选择邻接矩阵：
???(??;??(??))=???????????1×1?(??;????????????max?(??(??)))=|????|∑??=1??(??)??????? (4)
其中??(??) ∈??1×1×|????|是1 × 1卷积参数，邻接矩阵的凸组合是??(??) ·??。元路径邻接矩阵是通过将前(k ? 1)个TrustGT层的矩阵与输出相乘得到的，即??(???1)????(??;??(??))。为了防止数值不稳定并提高模型的收敛性，对其进行归一化：
??(??)=(^??(??))?1???(???1)????(??;??(??)) (5)
其中(???(??))?1是??(???1)?F?(??;??(??))的逆度矩阵。
长度为k + 1的元路径的邻接矩阵可以表示为：
????=(∑??0∈??????(0)??0?????0)?(∑??1∈??????(1)??1?????1)?(∑????∈??????(??)???????????) (6)
其中????表示元路径下的邻接矩阵，????表示边类型。??(??)????是第k个TrustGT层中边????的权重。在不确定的情况下，长元路径和短元路径的重要性是未知的。因此，学习不同长度的元路径是必要的。为此，我们在初始邻接矩阵中加入单位矩阵，即??0 =??。这种策略使TrustGTN在堆叠k个TrustGT层时能够学习长度达到?? +1的元路径。
然而，显式乘法邻接矩阵无疑需要大量的计算成本和内存开销。现有方法[26]已经证明，可以通过使用不同构建的邻接矩阵进行一系列特征转换来获得相同的特征，而获取这些特征正是我们下游任务的目的。现在，我们简要证明这种架构。为了简化，我们假设单通道设置（?? =1），其中单个GCN层应用于转换后的图结构。此外，通道聚合函数定义为恒等函数，即???????????(??) =??。在这种假设下，模型中的节点表示???可以表示为：
???=???(????1?(??(??)+??)??????) (7)
其中??(??)是第k个TrustGT层输出的邻接矩阵。??表示输入特征。??表示GCN层中的线性变换参数。????1是??(??) +??的逆度矩阵，??是单位矩阵。
方程(7)也可以写为：
???=???(????1??????+????1?((^??(??))?1)?((^??(1))?1?(??(0)???)?(??(1)???))?(??(??)???))??????) (8)
显然，方程(8)涉及大邻接矩阵的乘法，但通过应用矩阵乘法的结合律，方程(8)可以重写为：
???=???(????1??????+????1?(^??(??))?1…(^??(1))?1?(??(0)????(??(1)???…(??(??)?????????)))) (9)
由于这种方法不再计算两个邻接矩阵的乘法，我们无法计算度矩阵????1?(^??(??))?1?(^??(1))?1，但我们可以将方程(9)中的所有度矩阵转换为单位矩阵：
???=???(12??????+12?(??(1)????(??(2)???…(??(??)?????????)))) (10)
我们反转从1到K的层顺序，替换超参数??，并结合我们重构的邻接矩阵方法以及多通道和多层设置。因此，TrustGTN的输出可以表示为：
??(??+1)=???????????(??(??)∥??=1???(?????(??)???(??)??+(1???)???(??,??)??)) (11)
??(??,??)??=(^????…(^??1???(??)???(??)??)) (12)
其中??(??)是通道数，??是超参数，‖是连接操作符，??(??)是第l个TrustGT层的节点表示，??(??)?? ∈?????(??)×???(??+1)是第l个TrustGT层第c个通道的线性变换，由GCNConv提供，^????是重构的元路径邻接矩阵。它与带有自循环的元路径邻接矩阵的区别在于存储的边权重，即我们提出重构元路径邻接矩阵。其公式可以表示为：
^????(??,??)=(??(??,??,??)?^?????1)(??,??)+??????(??????????(???[(??(??)???(??)??)?[??],(??(??)???(??)??)?[??]))2 (13)
其中??(??,??,??)是第l个TrustGT层第k个TrustGT层的第c个过滤器，(??(??)???(??)??)?[??]和(??(??)???(??)??)?[??]是通道线性变换后的源节点和目标节点的特征，??是一组可学习参数，??(0)是特征矩阵，^??0 =????1?(?? +??)和??????????是通道聚合函数。
RotatE方法[27]是一种创新的特征融合技术，特别适合处理异构图神经网络中节点和边之间的复杂特征关系。该方法通过特定的旋转变换在特征空间中重新排列节点或边特征，增强特征表达并引入更多语义信息。设? =^???????(??)???(??)??；我们在复杂平面上组合实体和关系，并将每种关系定义为从源实体到目标实体的旋转。具体来说，我们期望?′ =? °??，其中?,??,?′ ∈??是嵌入，|????| =1，°表示Hadamard（逐元素）乘积。
节点特征用于预测信任关系。从最终的特征表示中，我们提取两个节点????和????的特征表示。模型的预测结果是：
????????=???(?????????(?????||?????)) (14)
其中‖是连接操作，MLP()是多层感知器，???( ?)是激活函数。对于信任问题，将不同级别的信任值映射到不同的信任类型，允许我们将其视为边分类问题。因此，我们选择交叉熵损失作为损失函数：
??=??????????????_?????????????????????(??,???) (15)
其中??是信任图中的已知边分类值，???是TrustGTN模型预测的边分类值。

5. 实验与分析
在本节中，我们介绍数据集、实验设置和相关基线。然后我们将我们的方法与这些基线进行比较，以确定其是否具有更好的性能。

5.1. 数据集
Advogato数据集是一个来自开发者社区网站的经典社交网络数据集，常用于研究信任关系网络、图分析和机器学习任务，如社区检测、信任预测和链接预测。它是一个有向加权图，其中节点代表用户，边代表用户之间的信任关系，边权重代表信任级别。信任级别分为四个类别：观察者、学徒、旅行者和大师，信任级别从观察者到大师逐渐增加。这是一个包含数千个节点和边的稀疏网络，节点上没有附加的属性信息，主要关注信任关系。

5.2. 基线
(1)MATRI [15]：MATRI是一个信任推理模型，它整合了多方面的特征和传递性。它将信任问题转化为推荐问题，使用协同过滤来表示信任者和受托人之间的多方面潜在特征。它引入了三种信任偏见作为先验知识：全局偏见、信任者偏见和受托人偏见，并自动学习这些偏见与潜在因素之间的权重关系。它通过矩阵分解更新潜在因素矩阵（信任者和受托人）。
(2)OpinionWalk [28]：OpinionWalk使用Dirichlet分布来建模信任，并使用矩阵表示用户之间的直接信任关系。它以广度优先（BFS）方式搜索网络并迭代计算用户可信度。为了实现迭代计算，作者使用意见矩阵表示网络和个人意见向量来存储所有用户的信息可信度。这解决了许多信任评估计算不准确或非常慢的问题。
(3)NeuralWalk [16]：NeuralWalk使用称为WalkNet的神经网络架构来捕获信任社交网络中的信任传播和融合。它迭代使用训练好的WalkNet对未知的信任关系进行单跳信任推断，然后以广度优先的方式遍历整个信任评估网络以实现多跳信任评估。
(4)Guardian [24]：Guardian提出了一个基于图卷积网络（GCN）的端到端学习框架，以高效准确地评估社交网络中的信任关系。它将社交网络建模为图，其中节点代表用户，边代表用户之间的信任关系。该框架的核心是信任卷积层，它使用局部卷积来捕获社交信任的传播和组合性。考虑到信任的不对称性，每个信任卷积层都包括流行度信任传播和参与度信任传播，全面考虑了信任程度和被信任程度。(5) TrustGNN [25]：TrustGNN也是一种基于图神经网络的方法，它进一步捕捉了信任图之间的传播和组合性。它将信任传播视为一条链，并使用注意力机制来区分不同链的重要性。它还使用双通道融合算法从信任者到受托人和从受托人到信任者的方向学习节点表示，从而获得更全面的节点嵌入，然后使用学到的节点嵌入进行信任预测。5.3. 评估指标遵循 Guardian [24] 和 TrustGNN [25] 中使用的评估标准，我们采用 F1 分数和平均绝对误差（MAE）作为主要评估指标。F1 分数衡量精确度和召回率之间的平衡，较高的值表示更好的分类性能。同时，MAE 量化了预测值和真实值之间的平均绝对差异，较低的 MAE 表示更高的预测准确性。为了确保实验结果的可靠性，我们报告了 10 次独立运行的平均性能。对于 Guardian 和 TrustGNN，我们通过在我们的计算基础设施上使用它们的原始实现和默认超参数来复现它们的结果。其他基线方法的性能取自 TrustGNN 中报告的结果。这种方法确保了公平的比较，并最小化了由于硬件或软件环境差异可能引入的偏差。5.4. 参数设置和设备我们随机选择 80% 的数据作为训练集，剩余的 20% 作为测试集。对于随机种子，我们将其固定为与 TrustGNN 一致。学习率设置为 0.005，权重衰减设置为 0.001，周期数设置为 300，多通道参数设置为 2。所有实验都在个人计算机上进行，实验环境为 Python 3.9、PyTorch 2.1、Windows 10、Intel(R) Core(TM) i5-12600KF 3.70 GHz CPU、16 GB RAM 和 NVIDIA 4060ti 8 G GPU。由于硬件设备的问题，我们无法在 PGP（之前工作中提到的另一个数据集）上进行实验，因为其数据量大约是 Advogato 的 6 倍。5.5. 可视化和参数分析我们可视化了 TrustGTN 在 Advogato 数据集上的性能，结果如表 3 所示，最佳结果以粗体显示。TrustGTN 在 F1 分数和 MAE 指标上都取得了最佳结果。与表现最好的 TrustGNN 相比，TrustGTN 的 F1 分数提高了 0.6%。在 MAE 方面，TrustGTN 也优于 TrustGNN 和 NeuralWalk，达到了 0.079。表 3. Advogato 上的性能。最佳结果以粗体显示。为了评估我们提出方法的鲁棒性，我们在 Advogato 数据集上进行了一系列实验，比较了 TrustGTN、TrustGNN 和 Guardian 在不同训练集比例（80%、60% 和 40%）下的性能。如表 4 所示，TrustGTN 在所有训练集大小上都始终获得了最高的 F1 分数和最低的 MAE。这一结果突显了我们方法的优越泛化能力，即使在可用训练数据有限的情况下也是如此。此外，我们对 TrustGTN 和 TrustGNN 进行了 10 轮实验，并可视化了 F1 分数和 MAE 的变化趋势，如图 4 和图 5 所示。结果表明，TrustGTN 在不同运行中的方差相对较低，进一步证明了其稳定性。表 4. Advogato 上不同训练集大小的性能。最佳结果以粗体显示。图 4. 10 轮 F1 分数性能。图 5. 10 轮 MAE 性能。我们的内存和训练时间分析如图 6 所示。值得注意的是，通过一系列算法和工程优化，我们的模型成功地将增加的理论组件复杂性转化为实际操作中的高效率。具体来说，我们消除了传统方法中固有的显式元路径枚举和存储的需求，用动态软选择机制和层间 1 × 1 卷积权重来模拟元路径融合，从而显著节省了存储资源并大幅提高了计算效率。实验结果表明，在相同的硬件条件下，TrustGTN 在实现更优的预测性能的同时，平均每个周期的训练时间减少了约 55%，峰值内存使用量减少了约 18%，表明参数和数据效率更高。这种效率的提升不仅证实了模型在实际资源限制下的可扩展性，还增强了其适应性和应用于复杂图结构的潜力。图 6. 训练实验比较：GPU 内存峰值与训练时间。我们将随机生成的可学习节点特征和边特征与使用 node2vec 提取的节点特征以及用 one-hot 向量作为边特征进行了比较。实验结果表明，随机生成的可学习节点特征和边特征表现更好，如表 5 所示。最佳设置为节点维度为 512，边维度为 512，如表 6 所示。表 5. 不同节点和边类型的比较。最佳结果以粗体显示。表 6. 不同节点和边维度的 F1 分数。最佳结果以粗体显示。我们认为，随机节点初始化（RNI）[29] 在我们实验中的有效性从根本上源于其能够打破限制标准 GNN 的 1-WL 表达能力瓶颈。确定性结构化嵌入（如 node2vec）无法为对称结构中的节点分配区分性表示。相比之下，RNI 注入随机噪声以实现节点个性化，使模型能够有效区分 1-WL 无法区分的图，同时保持排列不变性。我们的实验结果直接支持这一解释，表明 RNI 不仅仅是一种启发式方法，而是一种克服 GNN 表达能力限制的原则性策略。在第 3.3 节中，我们提到我们在初始邻接矩阵中添加了自循环，这是图神经网络（GNN）中常见且重要的设计，具有两个主要目的：（1）在聚合过程中保留节点自身的特征以保持其身份并减轻过度平滑；（2）通过防止归一化中的零度节点来确保数值稳定性。实验结果（如图 7 所示）表明，添加自循环始终能带来显著的性能提升，这强烈支持了上述动机。图 7. 有无自循环的实验比较。如前所述，我们可以通过堆叠 TrustGT 层来实现多跳元路径聚合。我们在图 8 中展示了不同训练集大小下的结果，并在图 9 中展示了超参数 ?? 的影响，该参数控制节点特征的残差融合。实验结果表明，堆叠 TrustGT 层与堆叠图神经网络存在相同的问题，最佳模型性能仅出现在第一层。这可能是因为较长的元路径可能会引入与目标任务无关的信息，例如，在社交网络中，朋友的朋友的朋友可能已经包含了大量不相关的用户。通常，间接信任（即长度 = 2）已经很好地描述了关系，而更长的路径可能会引入过多的间接关系并削弱信任的表达。图 8. 多 TrustGT 层的性能。图 9. 超参数 ?? 的影响。超参数 γ 控制传播前后特征的融合比例，影响模型在历史信息和新融合信息之间的权衡。从图 9 的结果可以看出，随着 γ 的增加，模型效果逐渐恶化。这是一个正常现象，表明当模型过于依赖自身特性时，信息传播和聚合的效果会减弱。换句话说，这进一步验证了模型在合理的 γ 值下可以更有效地整合局部和全局信息，从而提高整体性能。5.6. 消融研究正如引言中提到的，我们 TrustGTN 模型中的一些模块对模型性能有影响。现在，我们证明了这些模块的有用性。我们将基本的 TrustGTN 模型称为 TrustGTN-1。TrustGTN-1 的消息传递过程是矩阵乘法，即邻接矩阵乘以特征矩阵。邻接矩阵是可学习边类型权重和基于节点度的初始边权重的组合。然后，我们提出了一种新的消息传递方法，该方法考虑了基于起始节点特征计算的边权重以及之前的两个权重。我们将这个模型称为 TrustGTN-2。最后，我们对基本模型 TrustGTN-1 应用了 RotatE 变换，并将这个模型称为 TrustGTN-3。实验结果证明了这两种方法的有效性，如图 10 所示。图 10. 我们的 TrustGTN 和三个变体的比较。6. 结论 TrustGTN 是一种用于社交网络中信任评估的深度学习模型，它将信任问题表述为异构信任图，并利用元路径的概念来捕捉节点和多条边之间的关系。无需显式的元路径定义，该模型可以通过堆叠层来理论上学习任何长度的元路径下的节点表示。在真实世界数据集上的实验结果表明 TrustGTN 的性能优越，而消融研究进一步验证了其设计的有效性。7. 未来工作尽管所提出的框架在理论上能够建模具有不同节点和边类型的异构图，但我们在本研究中的实验验证仅针对包含单一节点类型的数据集进行。我们承认这是一个明显的限制，因为它没有充分利用模型的架构潜力，使其声称的异构性处理能力未能得到实证验证。这一限制主要是由于缺乏同时符合信任评估任务的公开可用异构图基准——这是我们计划在后续工作中解决的问题。此外，我们打算将当前框架扩展到动态信任评估。实际系统中的信任关系很少是静态的；随着新交互的发生、历史行为的积累和上下文因素的变化，它们会随时间演变。将时间动态纳入异构信任建模既涉及理论挑战也涉及技术挑战——从捕获非静态信任模式到在不断变化的图快照上保持计算效率。我们计划研究集成时间衰减机制、循环架构或连续时间过程模型的时间异构图神经网络，使框架能够学习结构和时间信任依赖性。通过弥合静态异构建模和动态演变之间的差距，我们旨在为开放、去中心化的环境中的实时信任评估构建一个更准确和可部署的解决方案。