聚合不同用户的偏好时，基于序数偏好可以解决不同用户评价准则不一致问题。但用户因为候选项目过多、沟通成本高等原因不能提供完整序数偏好，影响了在线服务信誉度量、群体决策等场景中聚合结果的可靠性和准确性，而现有的预测方法未充分考虑用户群体偏好分布的多样性。针对这一问题，提出一种利用混合Plackett-Luce（PL）模型的不完整序数偏好预测（MixPLPP）方法。首先基于用户现有偏好采样完整拓展排序，其次使用采样的完整排序学习混合PL模型，再次设计基于后验概率最大化的模型选择策略为用户选择模型，最后利用所选模型预测用户完整偏好。在公开数据集Movielens上的实验结果表明，所提方法的预测准确率和Kendall秩相关系数（Kendall CC），相较于向量相似度排序（VSRank）算法提升了5.0%和9.2%；相较于基于确定性的偏好补全（CPC）提升了1.5%和3.5%；相较于BayesMallows-4提升了0.9%和2.2%。实验结果验证了所提方法具有良好的预测能力，在多个数据集上的预测效果都更好。

众包的飞速发展丰富了任务执行者的阅历和技能，使他们更加了解任务且倾向于同时完成多种任务，因此根据执行者对任务的主观偏好进行分配成为一种常见的任务分配方式；但是出于个人利益，执行者可能采取恶意竞价行为换取更高的收益，这对众包平台的发展是不利的。为此，提出一种防恶意竞价的众包多任务分配激励机制GIMSM（Greedy Incentive Mechanism for Single-Minded）。该机制定义了一个线性比值作为分配依据，再根据贪心策略从执行者比值递增的序列中依次选取并分配任务，最后按照支付函数对分配算法选中的任务执行者进行支付，得到最终的任务分配结果。在Taxi and Limousine Commission Trip Record Data数据集上进行实验。相较于TODA（Truthful Online Double Auction mechanism）、TCAM（Truthful Combinatorial Auction Mechanism）和FU方法，GIMSM在不同工人数下的任务结果平均质量水平分别提高了25.20、13.20和4.40个百分点，GIMSM在不同任务数下的任务结果平均质量水平分别提高了26.17、16.17和9.67个百分点。此外，GIMSM满足个体理性和激励相容，可在线性时间内得到任务分配结果。实验结果表明GIMSM具有良好的防恶意竞价性能，在具有大量数据的众包平台上有更好的表现。

为了解决Web服务组合优化过程计算量大、非线性等问题，提出在给定成本约束下利用成本效益系数(CBC)对Web服务组合可靠性进行优化的方法。首先分析了Web服务组合结构模式及其对应的可靠性函数，进一步给出服务组合的可靠性计算方法，并建立非线性可靠性优化模型；然后，通过组件服务的成本及其可靠性关系计算成本效益系数，进一步确定Web服务组合的优化方案，再根据优化模型计算得到优化结果；最后，以组件服务可靠性数据为基础，通过与传统的优化方法比较，验证了基于成本效益系数的方法可以在给定成本约束时获得更高的可靠性。实验结果表明，所提方法对Web服务组合进行可靠性优化是有效、合理的。