近年来,随着互联网的迅速发展,越来越多的人选择在线消费他们所需的服务,来代替传统的消费模式。这样的新型模式,不仅提供给消费者更多的选择空间,而且能帮助他们节省消费时间,降低消费支出。然而,由于互联网的开放性和匿名性,人们容易在网络上提供服务与发布信息的同时,也给那些恶意用户提供了可趁之机。他们为了获取高额利益,可能恶意诋毁竞争对手,提供虚假的服务信息,这使得在线服务的质量良莠不齐。作为在线消费者,面对海量的可选择服务,他们很难分辨服务质量的优劣,所以迫切需要一种有效机制来降低他们的消费风险。针对该问题,最近有许多学者指出,利用社会网络中的信任关系和信任传播机制可以预测服务提供者的可信度,从而降低用户交易的风险。这方面已开展一定数量的研究,提出了多种在线社会网络信任模型与信任传播方法。但是,目前的工作仍然还存在一些亟待解决的挑战性问题。本文围绕面向服务的在线社会网络中服务提供者的信任评价问题,做了如下的研究工作:　　(1)信任传播方法常被用来预测服务提供者的可信度。然而已存的信任传播方法可扩展性较差,当应用他们于大规模的在线社会网络中,其信任预测时间太长而不能让在线用户接受。另一方面,已存的信任传播方法,很少考虑利用社会网络的结构特征来优化他们的性能。本文提出了一种高效的信任传播策略,它利用社会网络的结构特性,并通过预处理建立特定的数据结构,来改善信任传播的效率。我们的策略能应用于多种已存的信任传播方法。实验结果表明我们的策略比几种已存的信任传播方法的信任预测效率高很多,同时具有和它们接近的预测精度。　　(2)在许多在线社会网络中,用户之间的关系较复杂,不能用单一值来表示他们之间的信任关系,而需要考虑多种社会因素。在这种情况下,通过寻找用户之间的最优路径来预测用户之间的可信度,成为了一个NP难问题。尽管已有若干个启发式算法被提出,来寻找他们之间的近似解,他们的时间复杂度仍然太高,在现实中可能无法接受,特别是应用他们于大规模社会网络中时。因此本文挖掘社会网络的结构特性,提出了一种考虑多种社会关系的、高效的最优信任路径搜索策略。该策略通过预处理,简化并加速了信任路径搜索的过程。实验结果表明,我们的策略搜索效率非常高,其信任预测算法具有常数时间复杂度,同时其路径搜索质量也几乎和已存最优算法一样好。　　(3)随着在线服务的快速增长,推荐合适的服务给用户也变得越来越重要。因此,利用基于用户相似度的协同过滤技术,已有许多服务推荐方法被提出,并得到应用。然而,这些方法只考虑了用户之间的相似性,即考虑用户的兴趣偏好,来为目标用户推荐服务,却忽略了推荐用户的可信度。事实上,一个用户与目标用户相似,并不意味着它对目标用户就是可信的。因此,基于相似度的协同过滤方法产生的推荐可能不可靠。本文将服务用户之间的社会信任关系,融入服务推荐中,提出了一个协同的、信任感知的服务推荐方法。我们方法推荐的服务不仅符合用户喜好,且具有高可信度。实验结果证明了,我们的方法明显优于传统的基于相似度推荐方法和单纯基于信任度的推荐方法。