用戶評分行為建模與理解是推薦系統研究的熱點與重點。用戶評分行為是一個復雜的心理學過程，受多個心理學因素的影響。建模與理解用戶評分行為，不僅提升用戶畫像并指導推薦算法的設計與改進，還對互聯網應用、數字經濟等都具有一定指導與借鑒意義。  

　　大數據挖掘與應用中心成員針對用戶評分行為中的同化與對比心理學效應，直面該心理學效應機理難刻畫、演化模式難揭示難題，提出數學模型精準刻畫該心理學效應并揭示其演化模式的數學機理，指導推薦算法的改進。首先提出一個概率模型量化同化對比心理學效應的重要因素。應用隨機逼近理論揭示評分聚合反饋意見收斂的充分條件。應用非平穩馬爾可夫鏈理論揭示評分聚合意見收斂到一個穩定平衡點的充分條件。這些條件揭示各個因素如何影響評分行為的演化模式和指導推薦算法的改進。將其應用于評級預測任務和產品推薦任務。在四個公共數據集上的實驗結果表明，提出的模型可以改善在 RMSE、NDCG 等各種指標下，評分預測和推薦準確性。  

　　該研究揭示了用戶評分行為中同化與對比心理學效應的數學機理，指導推薦算法的改進，也為用戶畫像提供理論支撐。相關研究成果發表在中國計算機學會推薦A類期刊IEEE Transactions on Knowledge and Data Engineering。  

　　上述工作得到國家自然科學基金、中國科學院人才項目、重慶英才青年拔尖人才項目等項目資助。  

　　圖一：評分行為模型框架圖 

　　論文鏈接：  

　　https://ieeexplore.ieee.org/abstract/document/10173606/authors#authors