Trust is known as an important social concept and an effective factor in all human interactions in social networks. Users tend to interact with trusted people with whom they have had positive experiences. Trust is updated over time as a result of these repeated interactions. Even though dynamicity is a universally accepted property of the social trust, trust networks are often modeled as static digraphs. In this paper, we first propose that a stochastic graph model, where the weights associated with edges are random variables with unknown distributions, may be a better candidate for representing trust networks. Then, we review the literature on analyzing complex networks and determine graph measures which are most appropriate with respect to the special properties of the concept of trust. Considering trust-specific measures, we finally propose a dynamic algorithm for sampling from stochastic trust networks, which is an extension of Frontier sampling. Even though there exist a few sampling methods which address edge weights and their variations over time through the sampling process, these methods are unable to accurately preserve the properties of trust networks. The proposed algorithm in this paper uses learning automata to tackle the disconnectivity problem of sampled subgraphs by Frontier sampling and, at the same time, capture the changes of edge weights through the sampling process. Our experimental results on the well-known trust network datasets indicate that the proposed sampling algorithm preserves more accurately the trust-specific measures of trust networks compared to existing sampling methods.

信任是重要的社会概念，也是社交网络中所有人类互动的有效因素。用户倾向于与经历了积极经历的可信赖的人进行交互。由于这些重复的交互，信任会随着时间而更新。尽管动态性是社会信任的普遍接受的属性，但是信任网络通常被建模为静态有向图。在本文中，我们首先提出一个随机图模型，其中与边关联的权重是具有未知分布的随机变量，可能是表示信任网络的更好候选者。然后，我们回顾了有关分析复杂网络的文献，并确定了针对信任概念的特殊属性最合适的图度量。考虑特定于信任的措施，我们最终提出了一种用于从随机信任网络进行采样的动态算法，它是对Frontier采样的扩展。即使存在一些解决边缘权重及其在整个采样过程中随时间变化的采样方法，但这些方法仍无法准确地保留信任网络的属性。本文提出的算法利用学习自动机通过Frontier采样来解决被采样子图的不连通性问题，同时通过采样过程捕获边缘权重的变化。我们在著名的信任网络数据集上的实验结果表明，与现有的采样方法相比，所提出的采样算法可以更准确地保留信任网络的特定于信任的度量。这是边界采样的扩展。即使存在一些解决边缘权重及其在整个采样过程中随时间变化的采样方法，但这些方法仍无法准确地保留信任网络的属性。本文提出的算法利用学习自动机通过Frontier采样来解决被采样子图的不连通性问题，同时通过采样过程捕获边缘权重的变化。我们在著名的信任网络数据集上的实验结果表明，与现有的采样方法相比，所提出的采样算法可以更准确地保留信任网络的特定于信任的度量。这是边界采样的扩展。即使有一些采样方法可以解决边缘权重及其在整个采样过程中随时间的变化，但这些方法仍无法准确地保留信任网络的属性。本文提出的算法利用学习自动机通过Frontier采样来解决被采样子图的不连通性问题，同时通过采样过程捕获边缘权重的变化。我们在著名的信任网络数据集上的实验结果表明，与现有的采样方法相比，所提出的采样算法可以更准确地保留信任网络的特定于信任的度量。即使存在一些解决边缘权重及其在整个采样过程中随时间变化的采样方法，但这些方法仍无法准确地保留信任网络的属性。本文提出的算法利用学习自动机通过Frontier采样来解决被采样子图的不连通性问题，同时通过采样过程捕获边缘权重的变化。我们在著名的信任网络数据集上的实验结果表明，与现有的采样方法相比，所提出的采样算法可以更准确地保留信任网络的特定于信任的度量。即使存在一些解决边缘权重及其在整个采样过程中随时间变化的采样方法，但这些方法仍无法准确地保留信任网络的属性。本文提出的算法利用学习自动机通过Frontier采样解决被采样子图的不连通性问题，同时通过采样过程捕获边缘权重的变化。我们在著名的信任网络数据集上的实验结果表明，与现有的采样方法相比，所提出的采样算法可以更准确地保留信任网络的特定于信任的度量。本文提出的算法利用学习自动机通过Frontier采样来解决被采样子图的不连通性问题，同时通过采样过程捕获边缘权重的变化。我们在著名的信任网络数据集上的实验结果表明，与现有的采样方法相比，所提出的采样算法可以更准确地保留信任网络的特定于信任的度量。本文提出的算法利用学习自动机通过Frontier采样来解决被采样子图的不连通性问题，同时通过采样过程捕获边缘权重的变化。我们在著名的信任网络数据集上的实验结果表明，与现有的采样方法相比，所提出的采样算法可以更准确地保留信任网络的特定于信任的度量。