.png){kind=icon}
返回
Intent-Based Trust Evaluation
.png){kind=icon}
PRE
AI
DOI：10.1109/TKDE.2025.3624874.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
信任关系在各种领域（如社交垃圾信息检测、转发行为分析和推荐系统）中发挥着关键作用。信任通常在现实世界中是隐含的，难以直接观察，因为它是由人们潜在的意图和动机驱动的。因此，在评估信任时，除了分析用户行为数据外，分析导致信任的行为背后的意图也至关重要。现有的信任评估方法常常忽视连接背后的根本原因，例如共同兴趣或属于同一社群。因此，这些方法无法区分导致信任的真实意图，导致对隐藏信任关系的评估不准确。为解决此问题，我们提出了一种基于意图的信任评估（INTRUST）新模型。该模型利用超图来区分社交社群中高阶信息背后的意图。最初，我们使用超边表示用户-物品和用户-用户交互之间的高阶相关性。随后，我们构建了$K$个意图原型，作为建立信任的基础元素。此外，我们从这些高阶相关性中区分出$K$个独立的意图子图。为增强模型的泛化能力和鲁棒性，我们采用自监督学习，并在节点级、超边级和节点-超边级构建对比视图。在真实数据集上的广泛实验表明，我们的模型在信任评估准确性和效率方面优于现有最先进的方法。
Keyword:
Trust evaluation
hypergraph
intent distanglement
contrastive learning
期刊
IF:
10.4
论文数:
6.9K
被引数:
3.2W
机构
引用论文
eTrust.png)
Proceedings of the 18th ACM SIGKDD international conference on Knowledge discovery and data mining
Proceedings of the 18th ACM SIGKDD international conference on Knowledge discovery and data miningIF0
PREAI
分享收藏分享收藏The analysis and implementation of degree centrality in weighted graph in Social Network Analysis
PREAI
分享收藏
查看更多内容