该论文提出一种名为 CAT 的上下文感知图神经网络信任预测模型，旨在解决动态异质网络中信任预测的三个关键挑战：信任的动态性、网络的异质性以及信任的上下文依赖性。现有基于 GNN 的方法大多使用静态图表示，无法捕捉信任随时间演变的特性；同时忽略了现实中网络包含多种类型节点和关系的异质语义；此外，信任本质上依赖于具体交互场景，而现有模型未引入上下文建模，导致预测结果过于粗粒度。CAT 模型由四个核心组件构成：图构建层、嵌入层、异质注意力层和预测层。在动态图处理方面，它采用连续时间表示，并借助时间编码函数捕获时序信息；在异质性建模方面，引入双注意力机制分别学习不同节点类型以及同类型内不同节点的重要性；在上下文感知方面，创新性地定义了元路径概念来提取交互上下文特征，通过构造上下文嵌入并集成上下文感知聚合器，CAT 能够同时预测上下文特定的信任值和整体信任分。基于三个真实数据集的广泛实验表明，CAT 在信任预测准确度上优于五组基线方法，并且在大规模图上表现出良好的可扩展性，同时对于针对信任模型和图神经网络的攻击均有较强鲁棒性。该工作首次将上下文感知、动态性和异质性统一到 GNN 框架中，为安全决策、风险评估和系统防护提供了更细粒度的信任预测手段。适合对图神经网络、信任计算、社交网络安全感兴趣的研究人员和工程师阅读。