在线服务是指通过互联网技术向用户提供服务的一种线上交易方式,由于其使用方便、操作简单、成本低廉而得到迅速的发展并深受用户的好评。然而在线服务在快速发展的同时却也存在诸多问题,例如,在面对大量功能相同而服务质量不同的服务时,用户难以做出正确服务选择;此外,鉴于线上交易方式的特殊性,用户不能对在线服务进行试用,以至于用户面临着巨大的交易欺诈风险。而信誉是一种对服务质量综合度量的指标,可以真实反映出服务提供者所履行其承诺的程度,在目前的信誉度量研究中基于用户反馈评分的信誉度量模型没有考虑服务的各个维度属性对服务信誉度的影响;而基于多维度评价信息的信誉度量模型中则往往忽略了服务自身属性等信息对信誉的影响。因此,研究一种服务信誉度量方法,能够客观有效地帮助用户做出正确的服务选择并应对交易欺诈显得尤为重要。为解决以上问题,本文采用一种综合服务多维度属性信息的在线服务信誉度量方法。本质上服务信誉度量可视为对服务不同信誉类别的划分,因此将服务信誉度量问题建模成对服务的信誉分类问题,通过训练服务分类器模型实现服务的信誉分类进而实现对服务的信誉度量。文中通过结合Tri-training半监督学习思想采用一种距离约束的半监督学习方法训练服务分类器模型,首先人工标注少量服务样本作为初始训练集,通过对初始训练集中服务样本进行有放回采样,得到数个具有不同服务样本分布的训练集并训练出多个不同的决策树分类器;然后利用所得的不同决策树分类器对未标注服务集中服务进行分类预测,并将预测后的服务和预测标签加入到训练集重新训练分类器,这样通过利用少量人工标注的带标签服务以及大量未带标签的服务充分训练分类器模型;最后基于最终训练所得分类器对未知在线服务进行信誉分类进而实现对在线服务的信誉度量。文中依据相关理论技术验证了通过建模服务分类器模型实现服务信誉度量的合理性,并利用真实的在线服务数据集验证了其模型在分类准确率、召回率以及F值等指标上有效性以及高效性。最后,依据文中应用的方法理论设计一个在线服务信誉度量原型系统,可以实现对服务的信誉度量。