随着社会媒体等技术的迅速发展,数以亿计的参与者加入社交网络,他们在网上从事经验交流、发帖和评论等日常活动,社交网络已经成为人们日常活动的一部分。当前,对参与者的信任评估成为社交网络中的重要问题。由于参与者数量的增长,使得社交网络的规模增大,网络结构复杂,给参与者的信任评估带来了严峻挑战。本文研究重点是在社交网络中设计优化路径选择算法,考虑参与者的多约束条件,完成从源参与者到目标参与者的信任评估。主要研究内容如下:(1)在社交网络中,以参与者的信任度、亲密度、声望等社交属性作为约束条件,设计多约束双向选择算法(MBS),保证了路径查询质量,解决了对参与者的信任评估问题。(2)在MBS中,参与者的空间位置信息和社交身份在路径选择中发挥着重要作用,同时考虑到参与者的空间属性和社交属性,提出了基于IR-Tree的多约束双向选择算法(IR-Tree-MBS)。该算法充分利用IR-Tree的结构特点,快速进行距离剪枝和关键词剪枝,有效地减少了搜索空间,提高了算法的执行效率,节约了用户的查询代价。(3)在IR-Tree-MBS算法的基础上,提出了多约束路径模式匹配模型(MPM),以解决从模式图到数据图的匹配。首先,多约束边匹配算法(MEM)查找模式图中任一条边在数据图中的匹配。然后,设计了基于概率的抽样估计方法(PSE),估计模式图中任一条边在数据图中的匹配数量,用于指导路径映射查询结果连接算法(PMQRC)的连接顺序。最后,设计了PMQRC算法,将查询结果按照模式图的拓扑结构进行连接。通过实验证明,该方法能够实现模式图在数据图中的匹配。同时,该方法提高了用户查询效率,节约了用户查询符合条件的参与者的成本,找到更符合条件的参与者集合。