近年来,在线服务随着互联网的迅猛发展而得到广泛应用,同时,庞大的在线服务基数导致很多在线服务的功能相同或者相似,这使得用户很难选择出符合自己偏好的在线服务。因此,用户通常需要根据在线服务评价方法对服务的评价结果来进行服务的选择。由于生活习惯、教育背景等的影响,不同用户之间的评价准则是不一致的,导致不同用户的评分偏好和文本偏好不可公度,进而导致基于评分偏好或文本偏好的在线服务评价方法不具有可靠性。因此出现了基于序数偏好的在线服务评价方法,可有效地解决评价准则不一致的问题。此外,成对比较形式的序数偏好在网络搜索、产品比较、广告点击等选择场景中十分普遍,而且,成对比较也可以用于对完整排序、部分排序、Top-k等多种形式的序数偏好建模,因此更加广泛和实用的用户序数偏好通常采用成对比较的形式。然而由于在线服务数量众多以及用户隐私等原因,通常难以获得用户对候选在线服务的完整偏好,使得获取的偏好不完整的现象非常普遍。针对不完整成对比较偏好场景下的在线服务评价问题,本文提出了基于不完整成对比较偏好的在线服务评价方法:首先,Mallows-φ模型反映了用户对候选服务进行成对比较和排序的过程,可以较好地对成对比较形式的偏好进行建模,因此使用用户的不完整成对比较偏好对Mallows-φ模型进行训练,得出模型的参考排序和分散参数,进而得出用户偏好所符合的Mallows-φ分布;然后,使用AMP后验采样算法对训练出的Mallows-φ模型的后验进行采样,并通过采样结果对不完整偏好进行预测,该预测过程通过对用户可能的完整偏好的概率进行分析来做出决策,使得预测结果更加准确;最后使用Copeland社会选择函数对预测的用户偏好进行聚合,进而得出在线服务评价结果。基于真实数据和人工合成数据的实验结果表明,在用户偏好缺失率不超过70%时,该方法可以对用户的缺失偏好进行准确的预测,进而得到更加有效和准确的在线服务评价结果。最后,基于本文所提出的在线服务评价方法设计并实现了一个基于不完整成对比较偏好的在线服务评价原型系统。