用户评分行为建模与理解是推荐系统研究的热点与重点。用户评分行为是一个复杂的心理学过程，受多个心理学因素的影响。建模与理解用户评分行为，不仅提升用户画像并指导推荐算法的设计与改进，还对互联网应用、数字经济等都具有一定指导与借鉴意义。  

　　大数据挖掘与应用中心成员针对用户评分行为中的同化与对比心理学效应，直面该心理学效应机理难刻画、演化模式难揭示难题，提出数学模型精准刻画该心理学效应并揭示其演化模式的数学机理，指导推荐算法的改进。首先提出一个概率模型量化同化对比心理学效应的重要因素。应用随机逼近理论揭示评分聚合反馈意见收敛的充分条件。应用非平稳马尔可夫链理论揭示评分聚合意见收敛到一个稳定平衡点的充分条件。这些条件揭示各个因素如何影响评分行为的演化模式和指导推荐算法的改进。将其应用于评级预测任务和产品推荐任务。在四个公共数据集上的实验结果表明，提出的模型可以改善在 RMSE、NDCG 等各种指标下，评分预测和推荐准确性。  

　　该研究揭示了用户评分行为中同化与对比心理学效应的数学机理，指导推荐算法的改进，也为用户画像提供理论支撑。相关研究成果发表在中国计算机学会推荐A类期刊IEEE Transactions on Knowledge and Data Engineering。  

　　上述工作得到国家自然科学基金、中国科学院人才项目、重庆英才青年拔尖人才项目等项目资助。  

　　图一：评分行为模型框架图 

　　论文链接：  

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