随着互联网和普适计算技术的不断发展,各种各样的在线服务呈爆炸性增长。在线服务因获取便利、操作简单、成本低廉而得到广泛的应用。然而在面对于大量功能相同的服务时,如何做出合理选择,使得用户不仅要考虑功能方面的需求,还要考虑非功能属性服务质量的需求。而信誉作为衡量服务质量的一个重要指标,在服务选择时以成为用户参考的主要信息之一。因此,研究一种客观的在线服务信誉度量方法,来反映服务的真实信誉状况变得十分有意义。虽然目前提出的许多在线服务信誉度量方法在信誉度量的准确性和客观性上已有很大的提升,但大多数的在线服务信誉度量方法都是单维度的,评价维度单一、粒度较粗,难以客观反映服务的实际综合表现,对于属性质量描述不同、数据异构的服务环境缺乏适应性。因此,综合多维度评价信息的信誉度量方法可提高信誉度量的客观性和合理性。本质上,信誉度量可视为对不同信誉类别的服务分类。所以本文将基于多维度评价信息的信誉度量问题转化为在多维空间中的服务分类。通过机器学习方法利用训练样本,在多维空间中构造最优分类器模型对服务分类,以实现信誉度量综合多维度评价信息。为此,提出一种基于多维度评价信息的在线服务信誉度量方法。该方法以支持向量机理论为基础,通过“一对一”方法构建在线服务的SVM多分类器模型。考虑到训练样本较少时,样本不足以反映服务数据的实际分布,训练出的SVM分类器模型性能较差,本文利用半监督机器学习来训练SVM分类器。同时,为提高模型的泛化能力,本文使用主成分分析法进行特征提取实现降维,并结合交叉验证来提高分类器模型的泛化能力,最终获得具有较高性能的SVM分类器模型对服务进行分类,以实现信誉度量综合多维度评价信息。通过实验验证,本文提出的综合多维度评价信息的信誉度量方法可有效提高信誉度量的有效性和高效性。最后,根据本文所提出的方法,对基于多分类SVM的在线服务信誉度量原型系统进行设计和实现。