在线评分系统是Amazon、Trip Advior和Yelp等Web应用程序中不可或缺的组成部分。它通过聚合评分（群体智慧）来揭示产品质量,打破了用户和运营商之间信息的不对称,使得双方相互收益。用户可以根据其他用户对产品的评分以及产品的聚合评分来评估产品质量,运营商则可以从评分中推断用户偏好来进行产品推荐。由于在线评分系统中存在同化对比效应,历史评分会显著扭曲用户的评分,导致产品质量评估和推荐的准确性低。已有的相关研究表明,他们的模型未能捕获到一些与同化对比效应相关的重要因素,如评分新近评分、选择偏差等。目前,仍然缺少一个“准确”的模型来理解同化对比效应,此外,一个可以用来描述基于同化对比效应的产品准确性评估分析框架也是缺失的。为了填补这一空白,提出了能够量化同化对比效应相关重要因素的数学模型,并开发了一个研究分析同化对比效应的框架,借助该分析框架在模型复杂性和模型准确性之间取得权衡。基于该模型,推导出产品评估和聚合意见收敛到“真实有效值”的充分条件,揭示了同化对比效应相关重要因素如何影响收敛的重要见解,并指导在线评分系统运营商设计适当的评分聚合规则和评分显示策略。为了展示该模型的多功能性,分别提出了应用于评分预测任务的模型（AC-RP）和应用于产品推荐任务的模型（AC-Rec）。在四个公开数据集上设计预测任务和推荐任务来评估模型的性能。在预测任务中,以均方误差根（RMSE）为评估指标,评估AC-RP模型的性能,相较于已有的LF,HIALF以及Herd模型,在未经过对权重精细调整的情况下,AC-RP模型总能找到更好的预测结果。在推荐任务中,分别以均方误差根（RMSE）和(相对累积倒数排名（RCRR）为评估指标,评估AC-Rec模型的性能,利用与预测任务中类似的方式获取用户偏好和产品偏好来进行推荐,在未经过对权重的精细调整的情况下,总是可以找到与LF,HIALF模型找到更好的推荐结果。实验结果表明,在所提出的新近评分等同化对比效应因素下,该模型可以显著提高预测和推荐的准确性,验证了模型的多功能性。