电商平台中的恶意买家会通过提供虚假评价等手段实施恶意攻击,以此来影响其他买家的购物选择,传统的串行信任模型虽然能有效抵御恶意攻击,但是面对日益增加的数据量,其运算效率较低,无法满足大规模数据的计算需求。因此,研究信任模型的并行化设计,构建可靠的电商平台信任网络具有重要意义。本文以提升多主体信任进化模型(Multi-agent Evolutionary Trust Model,MET)、信任感知的社交影响者发现算法(Trust-aware Social Influencer Finding,TrustINF)运算效率为目标,主要工作包括以下几方面:(1)针对数据集中评价数据过于稀疏导致MET适应度值无法计算问题,引入填充算法结合信任关系对评价数据进行预测填充,提升了填充结果的准确性。针对MET在大数据环境下时效性低的问题,提出一种基于Spark的并行MET模型—SparkMET,该模型采用主从式架构,由主节点进行变异、交叉、选择过程,从节点计算适应度值。针对MET并行化过程中出现的数据倾斜问题,提出一种新的数据分区策略—LBP算法,该算法在SparkMET计算适应度值之前,根据合适的分区标签将输入数据重分区,能进一步提升MET的运算效率。最后,在Epinions数据集上进行实验,实验结果表明,本文提出的并行模型能大幅提高原模型的运算效率。(2)针对TrustINF算法对恶意买家识别率较低问题,通过引入新的斜率计算方法和信任数变化率因子改进了TrustINF算法,然后通过加入挂起函数以模拟大规模数据集,在此基础上,实现了改进TrustINF算法在Spark平台的并行化。最后,在Epinions数据集上进行实验,实验结果表明,本文改进的算法不仅运算效率得到显著提高,而且恶意买家识别率达到71%,能有效抵御恶意攻击,构建可靠的信任网络。