[论文解读] MaTrust: An Effective Multi-Aspect Trust Inference Model

Yuan Yao, Hanghang Tong+3 more|arXiv (Cornell University)|Nov 9, 2012

Access Control and Trust参考文献 34被引用 3

一句话总结

MaTrust 提出了一种多方面信任推理模型，通过从本地信任评分中学习潜在因子，并将信任偏差等先验知识作为指定因子纳入模型。该模型在准确率（在 PGP 数据集上 MAE 最高提升 16.5%）和效率（比 MoleTrust 快高达 350 万倍）方面均优于当前最先进模型，且其性能随数据规模线性扩展。

ABSTRACT

Trust is a fundamental concept in many real-world applications such as e-commerce and peer-to-peer networks. In these applications, users can generate local opinions about the counterparts based on direct experiences, and these opinions can then be aggregated to build trust among unknown users. The mechanism to build new trust relationships based on existing ones is referred to as trust inference. State-of-the-art trust inference approaches employ the transitivity property of trust by propagating trust along connected users. In this paper, we propose a novel trust inference model (MaTrust) by exploring an equally important property of trust, i.e., the multi-aspect property. MaTrust directly characterizes multiple latent factors for each trustor and trustee from the locally-generated trust relationships. Furthermore, it can naturally incorporate prior knowledge as specified factors. These factors in turn serve as the basis to infer the unseen trustworthiness scores. Experimental evaluations on real data sets show that the proposed MaTrust significantly outperforms several benchmark trust inference models in both effectiveness and efficiency.

研究动机与目标

• 解决现有信任推理模型仅依赖传递性而忽略多方面信任特性的局限性。
• 实现在无需额外输入数据（除本地信任评分外）的前提下进行信任推理，不同于以往的多方面模型。
• 将全局信任偏差、信任者偏差和被信任者偏差等先验知识直接整合到推理过程中。
• 开发一种可扩展且高效的模型，适用于大规模信任网络。

提出的方法

• 使用矩阵分解方法，从观测到的信任评分中推导出信任的潜在因子组合来建模信任。
• 引入三种指定偏差因子：全局偏差、信任者偏差和被信任者偏差，以表示先验知识。
• 将信任推理问题建模为一个联合优化任务，从信任矩阵中同时学习潜在因子与偏差系数。
• 通过正则化防止过拟合并确保泛化能力，采用闭式解以实现高效推理。
• 将信任矩阵分解为信任者因子矩阵、被信任者因子矩阵以及偏差分量，实现预计算后常数时间预测。
• 采用交替最小二乘法（ALS）进行优化，其时间复杂度与用户数和可观测信任对数呈线性关系。

实验结果

研究问题

• RQ1 将信任建模为多个潜在方面是否能显著提升推理准确率，相比仅依赖传递性的方法？
• RQ2 能否在不依赖额外输入数据的前提下，有效整合如信任偏差等先验知识到信任推理中？
• RQ3 与当前最先进信任推理模型相比，所提模型在准确率与效率方面的表现如何？
• RQ4 模型对超参数（如潜在因子数量与正则化系数）的敏感性如何？
• RQ5 随着用户数与可观测信任对数的增加，模型在可扩展性方面是否表现出高效性能？

主要发现

• MaTrust 在 RMSE 和 MAE 上显著优于 SVD 与 KBV，在 PGP 数据集上 MAE 提升高达 16.5%。
• 模型推理速度最高可达 MoleTrust 的 350 万倍，实际运行时间以微秒计。
• MaTrust 的性能随用户数与可观测信任对数线性扩展，适用于大规模应用场景。
• 模型对超参数变化具有鲁棒性：在不同潜在因子数（r）与正则化系数（λ）下，性能保持稳定。
• 将偏差系数固定为 1（如 KBV 所做）会导致性能劣于联合学习偏差系数，证实端到端优化的优势。
• MaTrust 的预计算阶段仅需 O(|K| + nr + r²) 的存储空间，远低于 Guha 等模型使用的 O(n²) 空间（后者需填充所有缺失条目）。