1.一种基于粗糙集快速近似计算的C2C在线服务信任预测方法，其特征在于，所述方法包括：获取在线服务平台的在线服务信任数据集、在线服务属性集和用户信任等级数据集，并构建所述在线服务信任数据集的用户信任评级优势信息决策表 ；所述在线服务信任数据集作为所述用户信任评级优势信息决策表的实例数据集U，所述用户信任等级数据集作为所述用户信任评级优势信息决策表的决策属性D，所述在线服务属性集作为所述用户信任评级优势信息决策表的属性集C；

将所述实例数据集U根据所述属性集C进行压缩，将所述实例数据集U转化为信息粒集，获取所述信息粒集 对应的信任等级信息粒集 ；

基于所述信息粒集 获取对应的上联结和下联结，并将所述上联结和下联结分别转化为区间信息粒IVIG的集合；所述区间信息粒根据所述决策属性的值进行划分；

基于所述区间信息粒获取所述上联结的上近似集合和下近似集合，以及所述下联结的上近似集合和下近似集合；

根据所述上联结所述上近似集合和下近似集合，以及所述下联结的所述上近似集合和下近似集合获取用户信任等级的评价规则集合RS；

通过所述评价规则集合RS对在线服务属性进行评价，得到在线服务的信任等级情况；

所述将所述实例数据集U根据所述属性集C进行压缩，将所述实例数据集U转化为信息粒集 ，具体包括：A1：创建并初始化所述信息粒集 ；

A2：遍历所述实例数据集U；

A3：获取所述实例数据集U的实例 在所述属性集C中的属性值key；

A4：在所述信息粒集 中索引所述属性值key，如所述信息粒集 中存在所述属性值key的索引，执行步骤A41，如所述信息粒集 中不存在所述属性值key的索引，执行步骤A42；

A41：在所述信息粒集 中创建信任信息粒g，将所述属性值key设置为所述信任信息粒g的属性g.key，将所述实例 添加至所述信任信息粒g的实例列表g.glist中；获取所述实例 在所述决策属性D中对应的信任等级 ，将所述信任等级 分别设置为所述信任信息粒g的决策属性最大值 和决策属性最小值 ；

A42：获取所述信息粒集 中对应的信任信息粒g，将所述实例添加至所述信任信息粒g的实例列表g.glist中；获取所述实例 在所述决策属性D中对应的信任等级 ，如所述信任等级 小于所述信任信息粒g的决策属性最小值 ，则令 ；如所述信任等级 大于所述决策属性最大值 ，则令 ；

A5：重复执行上述步骤A2‑A42，直至所述实例数据集U遍历完。

2.根据权利要求1所述的一种基于粗糙集快速近似计算的C2C在线服务信任预测方法，其特征在于，所述上联结 ，所述下联结；其中，t表示所述实例数据集的不同所述决策属性的取值，t={1,2,3,…|D|}，|D|表示所述决策属性的最大值， 表示满足对应上联结条件的所述实例数据集中的实例集合， 表示满足对应下联结条件的所述实例数据集中的实例集合。

3.根据权利要求2所述的一种基于粗糙集快速近似计算的C2C在线服务信任预测方法，其特征在于，所述区间信息粒包括aG、nG和pG，所述aG、nG和pG为信息粒的集合，分别表示信息粒在其对应的决策属性值处于不同数值区间下的划分情况。

4.根据权利要求1所述的一种基于粗糙集快速近似计算的C2C在线服务信任预测方法，其特征在于，所述基于所述信息粒集 获取对应的上联结 和下联结 ，并将所述上联结 和下联结 分别转化为区间信息粒IVIG的集合的表达式为：对于所述上联结：

对于所述下联结：

式中， 表示所述上联结 的所有的区间信息粒aG的集合， 表示所述上联结的所有的区间信息粒nG的集合， 表示所述上联结 的所有的区间信息粒pG的集合； 表示所述下联结 的所有的区间信息粒aG的集合， 表示所述下联结 的所有的区间信息粒nG的集合， 表示所述下联结 的所有的区间信息粒pG的集合；

和 分别表示在所述信息粒集 的 和 中划分为区间信息粒aG的结果， 和 分别表示在所述信息粒集 的 和 中划分为区间信息粒nG的结果， 和 分别表示在所述信息粒集 的 和 中划分为区间信息粒pG的结果。

5.根据权利要求4所述的一种基于粗糙集快速近似计算的C2C在线服务信任预测方法，其特征在于，所述基于所述信息粒集 获取对应的上联结 和下联结 ，并将所述上联结 和下联结 分别转化为区间信息粒IVIG的集合的具体步骤包括：B1：创建并初始化所述上联结 中所有 和下联结 中所有的区间信息粒aG、nG和pG；

B2：遍历所述信息粒集 ；

B3：判断所述信息粒集 的信任信息粒 的决策属性最大值 和决策属性最小值是否相等，如相等则执行步骤B4，如不相等则执行步骤B5； 表示所述信息粒集 的第i个信任信息粒g；

B4：如 ，则执行步骤B41；如 ，则执行步骤B42；如 ，1≤≤|D|，则执行步骤B43；其中|D|表示所述决策属性D的最大值；

B41：将所述信任信息粒 分别添加至 的区域信息粒aG，和~

的区域信息粒nG中；

B42：将所述信任信息粒 分别添加至 的区域信息粒aG，和~

的区域信息粒nG中；

B43：将所述信任信息粒 分别添加至 的区域信息粒aG， 的区域信息粒aG，的区域信息粒nG，和 的区域信息粒nG中；

B5：如 且 ，则执行步骤B51；如 且 ，则执行步骤B52；如 且 ，则执行步骤B53；如 且 ，其中 ，则执行步骤B54；

B51：将所述信任信息粒 分别添加至 的区间信息粒pG，和的区间信息粒pG中；

B52：将所述信任信息粒 分别添加至 的区间信息粒pG， 的区间信息粒aG， 的区间信息粒pG，和 的区间信息粒nG中；

B53：将所述信任信息粒 分别添加至 的区间信息粒nG， 的区间信息粒pG， 的区间信息粒aG，和 的区间信息粒pG中；

B54：将所述信任信息粒 分别添加至 的区间信息粒nG， 的区间内信息粒pG， 的区间信息粒aG， 的区间信息粒aG， 的区间信息粒pG，和 的区间信息粒nG中。

6.根据权利要求5所述的一种基于粗糙集快速近似计算的C2C在线服务信任预测方法，其特征在于，所述上联结 中所有的 的上近似集合 构成所述上联结 的上近似集合，所述上联结 中所有的 的下近似集合 构成所述上联结 的下近似集合；所述下联结 中所有的 的上近似集合 构成所述上联结 的上近似集合，所述下联结 中所有的 的下近似集合 构成所述下联结 的下近似集合；

所述 的上近似集合 的计算公式为：

式中， ，表示在属性集合P下，在所述信息粒集中所有劣于当前的信任信息粒g的信息粒集合，，P=C，代表所述属性集C中所有属性；“\”表示补集运算；

所述 的上近似集合 的计算公式为：

式中， ，表示在属性集合P下，所述信息粒集 中所有优于当前的信任信息粒g的信息粒集合；

所述 的下近似集合 的计算公式为：

所述 的下近似集合 的计算公式为：

。

7.根据权利要求6所述的一种基于粗糙集快速近似计算的C2C在线服务信任预测方法，其特征在于，所述 的上近似集合 的计算步骤包括：当t=2时，

P11：初始化所述 的上近似集合 ；

P12：将所述 中的区间信息粒 和 中所有对应的实例添加进中；

P13:遍历所述 中的区间信息粒 ，查找其中在属性集合P上劣于任一 的信息粒，将其添加至 中；

当t＞2时，

P21：初始化所述 的上近似集合 ；

P22：将所述 中的区间信息粒 和 添加进 中；

P23：遍历 中所有的实例 ，如实例 ，则将该实例 添加进中；

所述 的上近似集合 的计算步骤包括：当t=|D|‑1时，

P31：初始化所述 的上近似集合 ；

P32：将所述 中的区间信息粒 和 中所有对应的实例添加进中；

P33：遍历所述 中的区间信息粒 ，查找其中在属性集合P上优于任一 的信息粒，将其添加至 中；

当t＜|D|‑1时，

P41：初始化所述 的上近似集合 ；

P42：将所述 中的区间信息粒 和 添加进 中；

P43：遍历 中所有的实例 ，如实例 ，则将实例 添加进 中；

所述 的下近似集合 的计算步骤包括：遍历所述实例数据集U中的实例，查找其中不属于 的实例，将其添加至中；

所述下联结 的下近似集合 的计算步骤包括：遍历所述实例数据集U中的实例，查找其中不属于 的实例，将其添加至中。

8.根据权利要求7所述的一种基于粗糙集快速近似计算的C2C在线服务信任预测方法，其特征在于，所述根据所述上联结所述上近似集合和下近似集合，以及所述下联结的所述上近似集合和下近似集合获取用户信任等级的评价规则集合RS，具体包括：C1：初始化评价规则集合RS和初始规则集合ER；

C2：遍历所有所述上联结 中的下近似集合 ，初始化条件规则集合E为空集，初始化中间规则集合 ，如所述中间条件 ，执行步骤C21；否则执行步骤C3；

C21：初始化候选规则集合best，初始化判断规则集合 ；

C22：遍历所述属性集合 ，构建属性规则集合； 表示实例x在属性 取值， 表

示实例x在属性 的所有取值，每个取值构建对应的规则；

C23：遍历所述属 性规则集 合 中的每一条 属性规 则e lem，如，则令所述候选规则 ；所述

表示对应的规则

集合Ru能覆盖所述中间规则G的元素数量；

C24：令所述条件规则集合 ，并将所述条件规则集合E添加至所述初始规则集合ER中；

C25：重复执行上述步骤C2‑C24，直到所述上联结 完全遍历；

C3：遍历所述初始规则集合 ，如所述条件规则集合E满足最小规则条件，则将所述条件规则集合E添加至所述评价规则集合RS中。

9.根据权利要求8所述的一种基于粗糙集快速近似计算的C2C在线服务信任预测方法，其特征在于，所述通过所述评价规则集合RS对在线服务属性进行评价，得到在线服务的信任等级情况，具体包括：D1：输入待评价在线服务数据实例X，初始化预测规则集合PS = RS, 遍历在线服务属性 ；

D2：获得X在属性 上的属性值 ，去除PS 中不能覆盖 的额外规则；

D3：判断当前PS剩余规则数：如果剩余规则数大于1，则令i=i+1，执行步骤D2；如果剩余规则数为1，则执行步骤D4；如果剩余规则数为0，将步骤D2中关于 的所有所述额外规则添加至PS中，令i=i+1，执行步骤D2；

D4：根据PS中的剩余规则确定对应的在线服务的信任等级情况。