社交媒体在为人们带来人际交往的便利和全新体验的同时,也确实引发了层出不穷的道德和法律问题。人们在社交媒体中主动或被动呈现的各种私人数据及原创数字内容,正承受着数据窃取、信息欺诈、隐私窥探和版权侵犯等巨大风险。为了保护社交网络中用户的隐私,许多学者通过制定复杂的访问控制策略来限制用户之间的消息传播。其中应用最为广泛的是基于用户之间信任度的访问控制模型。然而随着社交网络中活跃用户数据的激增,社交环境变得日益复杂,传统的信任度计算往往难以适应。本课题在研究了影响社交网络用户信任决策的证据提取方法及适用于信任证据的多源信息融合方法的基础上,提出了一种基于改进的D-S证据理论的社交网络信任计算方法,该方法能够更好地体现信任计算的主观性及动态性,为社交网络的访问控制机制、隐私保护方法、内容推荐系统等基于用户信任的应用研究提供更准确的策略依据,具体有三大创新之处。将隐私消息的泄露风险量化并作为信任度计算的输入。基于目前信任度计算无法预测消息在未来产生泄露的问题,本研究预测消息被转发之后流向消息拥有者黑名单的概率并提取概率分布的特征并将其作为影响信任度计算结果的输入。信任度计算的个性化处理。在目前的信任度计算方法中,所有用户的信任决策是被统一进行计算的。然而在现实中,不同用户在做出信任决策时所考虑的属性是不同的。所以信任度计算中用户的个性化因素是必不可少的。在本研究中,通过定义信任决策准确率函数,然后求函数极大值的方法获得每个用户对不同属性的关注程度,以体现用户信任决策的个性化。发现新的证据融合方法。基于前两个部分获得的信任度证据,通过证据融合的形式做出最后的信任度决策。本研究分析了目前已有的几种证据融合方法,并发现其中存在相似度碰撞的问题。基于此问题,提出了适用于信任度证据融合的,降低相似度碰撞的证据融合方法。