随着计算机和互联网技术的快速发展，社交网络服务正逐渐进入到千家万户之中，其庞大的服务内容和密集的社交关系资源正逐渐为当前人们的生活方式和社交模式提供了便利。然而，社交网络在给人们带来便利性的同时，也埋下了信任隐患。虽然消费者在足不出户的情况下能通过社交网络及时了解当前时尚服务的讯息，但它也剥夺了用户实地接触、体验商品的机会，这就造成了消费者仅仅依靠社交网络中的信息而不是通过亲身经历来购买商品的窘境。为了解决这种情况，信任管理机制便应运而生，通过将网络中的服务信息、消费者的个人反馈与社交关系以及可信第三方的公平监管等多中评估信息相互结合和计算，从而向用户提供服务的信任值以此来解决信任问题。其快速的计算模式再加上准确的评估性很快受到了各个网络平台和监管方的青睐，并被广泛应用于各大知名电商平台，比如蚂蚁金服、京东白条、微支付等。
　　但是，当前的信任机制还是存在有待完善的地方:首先，根据信任值高低的判断方式虽然简单但也为不法分子提供了捷径，网络上的一些服务提供者借由前期良好交易中累加得到的信任值来获取消费者的信赖，紧接着便向他们提供劣质服务从中谋取暴利:其次，信任机制很容易判断信息的真假，但是却无法判断信息的完整性，这也导致很多买家秀和卖家秀不符的实际问题。最后，在面对群体用户的服务推荐时，信任机制无法很好的给出综合的评判来尽可能多的满足群体用户的需求。因此，本文针对当前的信任管理机制存在的问题展开了一下研究:
　　((1)针对在线社交网络中用户对高信誉值实体的依赖性而导致的信任诈欺问题，我们提出了一种面向高信誉值实体的信任评估方案RHT。该方案的思想源于现实中一个常见的事实:人们更愿意去选择由高信誉值实体所推荐的服务或商品。但实际中，并不是所有由高信誉值提供的服务或商品都是可信的，有时候，一些虚假的服务往往会给目标用户造成经济损失。此外，现实中还会存在恶意节点，他们给出服务或商品的评价往往也是不可信的。RHT(RecommendationfromHighTrustValueEntities)包含了两个部分，第一个部分主要是为了帮助目标节点选择可信节点，这部份框架首先通过相似度计算选出相似节点，接下来应用抵抗机制将相似节点中的恶意节点剔除从而达到选择可信节点的目的:第二部分则是信任计算，我们设计了一种自适应的获取权重方法将直接信任值和间接信任值进行线性合并从而为目标节点计算出由高信誉值实体推荐服务的信任值。通过在真实社交网络的数据集上进行测试，我们发现RHT不仅仅可以很好的对高信誉值实体进行可信的信任评估，同时还能够有效地抵制当前社交网络中存在的主流攻击行为。
　　((2)针对在线社交网络下用户和服务.上彼此之间信息不对等从而造成的服务风险问题，以在线个性化服务推荐为应用场景，我们主要研究了社交推荐场景下的服务风险问题。这类问题在之前的工作中并没有得到很好的研究。我们考虑了两个方面的风险，即SenseDrop和BlueJoy并提出RecRisk(RecommendationwithRiskaccount)，该模型首次将信任关系与热方程进行了结合用来实现可信的服务计算，同时也考虑了服务的收益和潜在的风险并结合了投资学理论设计了MPT-Based(Moderm Portfolio Theory)的风险评估模型。我们所设计的方案既能够满足用户的服务需求又能够尽可能的控制服务风险。通过在真实社交网络数据集上的应用可知，与当前的经典方案相比，RecRisk在服务推荐的准确性上有着显著的提高，同时在服务的潜在风险方面，RecRisk所生成服务的风险值是最低的。
　　((3)针对在线社交网络中群体用户的偏好差异化现象而导致服务计算的不可信问题，我们提出了一种可信的群体服务推荐方案。该方案包含了两个部分，第一个部分是多粒度考量的概率图模型，该模型通过模拟现实情况中群体内部用户之间的相互联系来实现其对服务的抉择，并最终得到满足整个群体需求的服务:第二部分在前者的基础上考虑到了可信性的问题，即每一个用户都希望自己的偏好可以率先被满足。为了使得推荐的服务更为可信，我们考虑了用户的活跃度，并结合资源分配策略和联盟博弈的思想设计了一种基于用户活跃度的联盟博弈策略用于对推荐的服务进行重新排序并最终得到了较为可信的服务推荐列表。我们所设计的排序策略是基于现实中资源分配的原则，即多劳多得制，因此，所产生的推荐服务列表对于群体内部用户来说是可信的。通过在真实数据集.上的实验表明，我们所设计的方案不但能保证服务计算的可信性，同时与其他方案相比，该方案也准确性上也有着明显的提高。