社交网络的发展方便了人们日常的沟通,促进了用户之间线上的交流,但是也给人们带来了一定的风险。信任在社交活动中起着重要作用,可以有效地规避不可靠用户带来的风险。由于社交网络中的用户大多数没有直接的信任关系,更多的是通过共同的朋友进行间接联系。因此,如何建立起间接用户之间的信任关系,以至构建信任网络成为一项挑战。间接的信任关系可以通过信任传递来进行信任推理,信任传递过程中信任的传播和聚合在很大程度上影响信任评估的结果。如何找到可靠的信任路径和有效的聚合策略成为一项重要挑战。由于信任的动态特性,信任值会随着用户间的交互而发生变化。好的交互经验会使用户之间的信任值增加,反之减少。由于社交网络的信任传播十分耗时,因此如何在连续时间内推断两个没有直接联系用户的动态信任值已成为一个重要的挑战。强化学习适合多步决策问题,已有研究表明,将强化学习应用到信任推理中,能够提高信任预测的准确性。针对上述问题,本文研究了基于强化学习Double DQN的信任推理问题:为了预测两个间接联系用户的信任关系,考虑了用户如何在静态网络下进行信任传播与信任聚合,提出了静态信任推理算法。首先,基于Double DQN建立信任推理模型;其次,使用该模型搜索信任路径,并使用传播函数评估信任路径的可靠性;最后,考虑用户间的兴趣相似度,提出新的聚合策略并使用该策略聚合多条信任路径评估最终的信任值。实验结果表明,所提出的聚合策略的预测结果优于现有的聚合策略,同时所提出的算法与现有的信任推理算法相比具有较高的预测精度和准确性。考虑用户信任值的动态变化以及用户间的动态交互,提出了动态信任推理算法。首先,该算法使用两层神经网络模拟用户动态交互过程,并搜索可靠的信任路径;其次,根据用户间的交互结果,动态更新用户间的信任值;最后,使用提出的聚合策略聚合多条信任路径来预测间接的动态信任。实验结果表明,所提出的动态信任推理算法预测准确性优于其他算法。将所提出的算法应用到更大的Epinions数据集上,实验结果表明所提出的算法具有良好的可扩展性。