近年来，随着电子商务市场的迅猛发展，学术界关于电子商务领域的研究也越来越多。在电子商务这个虚拟交易过程中，信任和声誉是影响电子商务发展关键要素之一。因此，电子商务声誉研究成为电子商务领域的研究热点，其中，声誉评价体系是研究的关键。　　目前常用的声誉评价体系（固定等级评分评价体系），往往导致评分结果相似度过高，从而使得度量效果区分度很低。因此，这种评价体系给研究人员和用户提供的参考价值极低。实际网购过程中，买家常常逐条阅读评价语言，从而决定是否下单交易。可见，评论语言信息量丰富，可以作为声誉评价的一手数据，用以解决评分区分度低的问题。这方面的研究中，以模糊集理论为代表的研究方法已经取得了一些成果，但是离实际应用还有一段距离。　　总之，声誉评价及其研究过程存在以下问题:等级评价体系有信任等级，但不能表达信任的等级程度;评级依据很少依据用户评论语言;模糊集理论研究方法导致评价结果主观化;模糊计算进行模糊化转换与逆转换过程会导致语言中许多有用信息难以保存。　　为了解决这些问题，本文创建了模糊关系集合，建立基于评论语言的声誉评价模型。　　其意义在于:能够促进声誉评价可视化，改善网络购物环境，提高用户体验度;可以解决一些电子商务领域算法中的数据稀疏和边界划分过硬等问题;能够推动声誉评价模型理论的成果转化。　　建立基于模糊关系的声誉评价模型的目的是:避免隶属度函数的确定和模糊化转换过程;将这种模型应用到电子商务经典算法（协同过滤个性化推荐算法）中，以克服协同过滤个性化推荐算法冷启动、数据稀疏性、黑匣子等问题;将这种模型应用到电子商务经典算法（关联规则挖掘算法）中，解决模糊关联规则挖掘时区间划分边界过硬等问题;用等级加上等级程度的方式来进行声誉度量，将声誉评价结果区分粒度从有限等级提高到无限的等级程度。　　为了实现以上目的，本文的主要思想在于:　　首先对现有信任影响因素分析方面的研究文献进行归纳，分析在线评论语言包含丰富的影响企业和产品声誉的因素。　　然后，在文献研究和观点论证有效的基础之上建模，以此跨越传统模糊处理难以确定隶属函数的障碍;创建模糊关系使声誉计算不需要经过从模糊信息到精确数字之间的去模糊化和相反的模糊化转换过程，使语言中有用信息尽量得以保存;将声誉度量粒度从有限等级提高到无限连续量表达空间，使声誉度量不仅表达出声誉等级，还表达出声誉等级的程度。　　最后，将基于模糊关系的声誉模型应用到个性化推荐和关联规则挖掘算法中，以克服传统算法中存在的难以克服的困难。　　本文的创新点包括以下三点:　　1、针对模糊集理论隶属函数确定的主观性，提出并创建了模糊关系集合，建立基于模糊关系的声誉模型，这是整个论文创新的基础和关键。这种研究方法不同于传统的模糊计算研究方法，实现了将传统的有限数量声誉评价等级提升到模糊语言表示的无限度量粒度，进一步实现声誉结果表达的可视化。　　2、针对基于模糊关系的声誉模型在个性化方面应用的优势，提出基于模糊声誉模型的个性化推荐新算法。在个性化推荐排序中考虑推荐者的模糊声誉值，克服了传统协同过滤个性化推荐算法冷启动、数据稀疏性、黑匣子等问题。　　3、针对基于模糊关系的声誉模型在信息挖掘方面的应用优势，提出模糊关系约束规则挖掘新算法。将语言表达式（事务的属性值）根据模糊运算规则映射到标签集的各个等级上得到等级权值，重新定义模糊关系支持度和置信度，很好的解决了模糊关联规则挖掘时区间划分边界过硬等问题。