该论文提出了CAT，第一个支持动态性、异构性和上下文感知的基于图神经网络（GNN）的信任预测模型。现有GNN信任预测模型存在三个主要限制：无法捕捉信任的动态性导致推断不可靠、忽略实际网络的异构性导致语义丢失、不支持上下文感知（信任的基本属性）导致预测结果粗糙。CAT由图构建层、嵌入层、异构注意力层和预测层组成。它通过连续时间表示处理动态图，并使用时间编码函数捕获时序信息；通过双重注意力机制建模图异构性并利用语义信息，识别不同节点类型及每种类型内节点的重要性；引入新的元路径概念提取上下文特征，构建上下文嵌入并集成上下文感知聚合器，从而可预测上下文感知信任和总体信任。在三个真实数据集上的实验表明，CAT在信任预测方面优于五组基线，在大规模图上表现出强可扩展性，并对信任导向和GNN导向的攻击具有鲁棒性。该工作为动态异构网络中的信任管理提供了新思路，适合做安全决策支持、风险缓解和系统安全增强的研究者阅读。