1.一种基于权重更新的社交网络信任度学习方法，其特征在于，所述方法包括如下步骤：

S1：导入网络集合G＝(V,E,W)，其节点集和连边集分别为V＝{v1,v2,...,vn}和节点总数N；

S2：选取智慧节点；对网络节点进行标号，设定标号为1的节点为智慧节点，为了研究这种学习方法的训练过程，假设整个网络有且仅有1个智慧节点；

S3：初始化权重；在网络中每条有向连边从vj指向vk的权重都分配一个固定常数0.5，即，wjk＝0.5，权重wjk表示vk对vj的信任度；

S4：基于级联信息传播的学习方法；随机选择一个网络中的节点vj，作为信息传播的源节点，如果源节点vj为智慧节点，只发布真消息；如果源节点vj为普通节点，以同等概率发布消息或假消息；当一个节点vk观察到来自它的邻居节点的消息时，它将首先随机选取其中一个相邻的邻居节点，表示为vj，然后级联信息传播模型如下：如果vk是一个智慧节点，如果这是真消息，它将该消息转发的概率p＝η，否则拒绝发布；

如果vk是一个普通节点，它将该消息转发的概率p＝η·wjk，不管它是真的还是假的，0≤η≤1是自然转发率；

在信息传播过程中，每次迭代t，如果vk观察到的是真消息，根据以下公式(1)更新权重：在信息传播过程中，每次迭代t，如果vk观察到的是假消息，根据以下公式(2)更新权重：其中，Δ＝0.001为更新参数，并且防止产生信息传播阻隔；

每一个节点只有一次机会传播，传播不成功则不再继续传播，当网络中能够看到信息的节点，已经全部被转发询问后停止，记为1次传播过程；设定循环次数M，即重复M次传播过程，权重更新达到平稳状态；

S5：计算网络信息过滤能力指标；经过学习方法训练之后，固定更新后的权重，计算传递真实消息和错误消息的节点的数量，分别由NT和NF表示；然后，定义真正的消息传输能力TTA和假消息传输能力FTA，如下：在此基础上，进一步定义一个社交网络的信息过滤能力IFA，如下：

比较训练前后网络的IFA的变化以及网络结构对IFA的影响。

2.如权利要求1所述的一种基于权重更新的社交网络信任度学习方法，其特征在于，所述步骤S4中的信息级联模型，网络中已经转发信息的节点集合记为Vreached，初始时只包含信息源节点；节点的邻居节点如果属于Vreached，并且未进行转发询问，这些节点记为Vnoworked；节点的邻居节点如果属于Vreached，并且已经进行转发询问，这些节点记为Vworked；当某个节点k的邻居节点转发信息后，那么该节点就可以看到信息，同时节点k将以概率p转发该信息；设定总循环次数M；过程如下：

4.1)随机选择一个网络中的节点，作为信息传播的源节点，如果源节点j为智慧节点，只发布真消息；如果源节点j为普通节点，产生[0,1]的随机小数q，q≤0.5发布真消息，q＞

0.5发布假消息；

4.2)对选择任意一个Vnoworked中的节点k，根据网络信息传播模型，产生[0,1]的随机小数p按如果节点k是一个智慧节点，如果这是真消息，并且p≤η，它将该消息转发的概率，否则拒绝发布；如果节点k是一个普通节点，并且p≤η·wjk它将该消息转发的概率，不管它是真的还是假的，0≤η≤1是自然转发率；

4.3)4.2)中，如果节点k转发了，将节点k的邻居节点中添加到Vnoworked中，再将节点k移除出Vnoworked，加入到Vreached；如果节点k不进行转发，节点k进入Vworked；如果节点k观察到的是真消息，不管有没有转发，如果wjk≤1-Δ，那么更新权重wjk＝wjk+Δ，如果wjk＞1-Δ，那么更新权重wjk＝1；如果节点k观察到的是假消息，不管有没有转发，如果wjk≥Δ，那么更新权重wjk＝wjk-Δ，如果wjk＜Δ，那么更新权重wjk＝Δ；

4.4)当Vnoworked中不再有节点时，当前循环停止，表示此时所有看到信息的节点都已经经过处理；Vreached即表示传播到的节点集合；

4.5)不断重复步骤4.1)-4.4)，直到达到总循环次数M，学习方法停止，得到更新后的权重集合W；

4.6)改变网络结构和节点数量N，重复步骤S2-步骤4.5)。

3.如权利要求1或2所述的一种基于权重更新的社交网络信任度学习方法其特征在于，所述步骤S5中，计算传递真假消息的节点的数量也是通过信息级联模型统计，略去步骤S4中权重更新的部分，遍历整个网络中所有节点作为源节点发布真假消息，即每次统计集合Vreached中节点数量，最后根据公式(3)(4)(5)计算网络的信息过滤能力。