信任随着互联网技术的发展正发挥着越来越重要的作用,决策辅佐、恶意节点检测、不良共谋体检测等都离不开信任。目前有关信任模型的研究已经相对成熟,产生了不少经典的信任计算算法,但在大数据时代,数据过载日益严重,互联网环境变得更加复杂,传统信任模型遇到前所未有的挑战。数据挖掘技术可以有效分析海量数据并转化为知识,因而在大数据时代大放异彩,将信任模型与数据挖掘技术相结合可有效解决传统信任模型的瓶颈。本文提出了一种基于数据挖掘技术的信任模型,论文创新点和所做工作总结如下:首先,提出一种基于改进PSO的自适应FCM聚类算法。将智能算法中的粒子群算法与聚类算法中的模糊C-均值聚类算法相结合,利用粒子群算法的全局寻优能力来寻找模糊C-均值聚类算法的最优初始中心点,克服其对初始中心点敏感的问题。同时,为提高粒子群算法的寻优能力,引入自适应惯性因子,使得粒子群算法能够较好的适应算法各阶段特征,并针对早熟现象和后期震荡现象提出改进。其次,提出一种基于PSO-LSTM的信任评估模型。使用LSTM神经网络取代传统信任评估函数,通过在训练集上的有监督学习生成信任分类器,该网络可捕捉时续性,且没有梯度消失和梯度爆炸问题。针对LSTM随机初始化权值和阈值带来的性能不稳定问题,使用粒子群算法对网络进行最优初始化。最后,提出一种基于数据挖掘技术的信任模型原型系统。使用聚类算法对原始训练集进行预处理,保证训练集的有效性和平衡性。依据数据集特征确定神经网络的窗口长度,确保最佳的训练效果。聚类算法和神经网络均使用智能算法优化,避免陷入局部极小值。