关注线上评价还是在意线下距离？

潘禹辰 吴德胜

摘 要：Online-to-offline（O2O）作为一种融合线上线下双渠道的新型商业模式，在近些年来已得到消费者的广泛接受和认可。不同于传统的互联网商业模式，O2O服务的地理位置对用户的服务选择决策过程具有一定影响。这是因为O2O服务不同于传统电子商务服务的“线上购买的服务必须线下使用”这一特征所决定的。本文考虑O2O服务的专有特征，通过个性化推荐来探究O2O用户的服务选择决策行为特征。具体的，针对线上主观服务口碑数据、线下客观服务位置数据和二者融合数据分别设计了三种推荐算法。数据实验结果表明：用户的O2O服务选择决策是同时考虑服务的线上口碑和线下位置的多属性决策过程。但在这一过程中，备选服务的地理位置对用户的选择决策具有更大的影响作用。

关键词：O2O服务;用户行为特征;服务地理位置;个性化推荐

中图分类号：C931.6 文献标识码：A 文章编号：2097-0145（2022）01-0090-07 doi：10.11847/fj.41.1.90

Abstract：Online to offline （O2O） service， combining online and offline channels， has been accepted by customers in recent years. As the customer must enjoy the service， that he buys online， in the offline store， the location of the service has a big influence on his decision-making of service selection， which is different from traditional e-commerce. This study focuses on researching characteristics of customers’ decision-makings of O2O service selections with adoption of personalized recommendations. We propose three recommendation models respectively based on alternative services’ online comments， offline locations and combinations of them. Experimental results show that customers take both online word-of-mouth and offline locations of alternatives into considerations when selecting O2O services. However， it is worth note that the latter is more influential in this selection than the former.

Key words：O2O services; characteristics of customer behavior; service location; personalized recommendation

1 引言

近些年來，随着线上电子商务市场的逐步饱和，一种全新的融合线上（online）、线下（offline）双渠道的互联网商业模式—O2O商业模式应运而生。相比于传统的B2B和B2C等在内的互联网商业模式所提供的服务和商品，O2O用户必须在线下体验他在线上所购买的O2O服务。因此，服务的地理位置在用户的服务选择决策中变得尤为重要。例如，用户会倾向于那些距离他比较近的O2O服务[1]。尽管如此，服务的线上口碑已经成为用户在互联网平台进行服务选择决策过程中的重要参考因素之一。即便是在O2O商业模式下，服务口碑仍然对用户的选择决策具有重要的参考意义。

那么，用户在O2O服务选择决策过程中，是关注服务的线上评价还是服务的线下距离？如果都关注的话，哪个因素在该过程中更重要呢？本文的研究就是通过设计不同的O2O服务推荐算法，并通过观察不同算法的推荐效果来分析O2O用户的选择决策行为特征。推荐系统是线上互联网平台解决用户面对海量备选项目而产生选择难问题的最有效的方法之一[2]，它通过分析用户在平台上的交互行为，挖掘用户的潜在偏好和兴趣，向用户推荐最可能符合他们兴趣偏好的商品或服务[3]。

潘禹辰，等： 关注线上评价还是在意线下距离？——基于推荐效果的O2O商业模式下用户选择决策行为特征分析Vol.41， No.1工 程 管 理 科 技 前 沿2022年第1期

因此，本文分别基于服务的线上主观评论信息、线下客观地理特征和二者相融合所得到的三类数据构建了三个新的推荐算法，分别为：基于用户选择行为的O2O服务推荐算法、基于地理位置特征的O2O服务推荐算法和基于线上线下信息融合的O2O服务推荐算法。其中基于用户选择行为的O2O服务推荐算法是在协同过滤架构下对用户偏好衡量方法进行改进。因此，该算法除了可以探究O2O用户选择决策行为特征之外，还可以在一定程度上解决稀疏数据环境下基于评分的协同过滤算法推荐效果差的问题。基于地理位置特征的O2O服务推荐算法是针对O2O服务不同于传统电子商务服务所具有的距离敏感特征所设计的推荐算法。基于线上线下信息融合的O2O服务推荐算法则是将上述两种推荐算法进行了融合，从而使得在推荐过程中不但考虑了备选服务的线上评价信息，还考虑它们的线下地理特征，并且可以根据模型中参数的最优取值来分析二者在O2O服务选择决策中的重要性。

2 文献回顾

2.1 O2O服务

随着大数据技术的推动和发展，O2O商业模式正在逐渐改变着人们的生产和生活方式[4，5]。O2O服务平台作为“桥梁”将线上用户和线下商家通过电子凭证（如团购劵）联系在一起。关于O2O服务口碑的研究，Bock等[6]发现用户对服务的线下认知会影响他对该服务的线上选择决策。相似地，Kwon和Lennon[7]通过实证探究同样发现品牌的线下口碑会对该品牌的线上品牌形象以及线上用户忠诚度产生一定影响。在O2O服务质量方面，Yang等[8]提出了在人们的感知中，线上服务的购买欲望会受到线下服务质量影响这一观点，并对影响程度进行了度量。实际上，较高的服务质量会有效提升用户的品牌忠诚度，而这种忠诚度会在线上线下双渠道产生相互影响[6]。即用户线上购买的服务的质量也会反过来影响他们线下购买该服务的决策[9]。然而，有关O2O用户的服务选择决策行为特征的相关研究还未曾报导。

2.2 用户行为特征分析

在传统电子商务平台上的用户行为特征分析方面，李治和孙锐[10]基于亚马逊和京东两个电子商务平台数据，研究电商平台中推荐解释对用户行为意向的影响机制。研究结果表明当用户对服务信任度较高时，推荐机制对用户的商品选择行为影响较低。反之，当用户对服务信任度较低时，推荐机制可以显著提高用户的购买意向。Lin等[11]基于淘宝用户数据的分析发现商家的服务态度对用户的商品选择决策行为具有十分重要的影响，其中恶劣的服务态度会导致用户放弃本想购买的商品。Liou和Tzeng[12]则通过数据挖掘方法预测用户在航班选择中的决策行为特征，来帮助航空公司制定更加优化的营销策略。但是，我们发现在已有文献中均很少涉及到有关O2O用户的服务选择决策行为特征研究。因此，本文通过观察不同类别推荐算法的推荐测度来分析O2O用户的选择决策行为特征，以此补充行为特征分析的相关理论，拓展行为特征分析的应用范围。

2.3 個性化推荐算法

个性化推荐最早应用于电子商务领域以用来解决信息过载问题[2，13]。推荐系统通过用户在平台上的服务交互行为，预测那些最可能满足用户需求、符合用户偏好的服务并推荐给他们[13]。随着推荐系统在亚马逊和Netflix等互联巨头企业地成功应用[14]，个性化推荐技术逐步推广到了医疗、教育、 文化和社交网络等诸多领域[15]。在以上这些研究中，绝大多数研究是关于推荐系统的跨领域应用和推荐准确度这两个方面[16，17]。而在近些年来，推荐多样性开始成为众多学者关注的一个话题：即在保证推荐准确度不变或者较小损失的前提下，使得推荐的商品或服务尽可能地多样化，从而增强新鲜感，提高用户的满意度，使得用户对平台的使用依赖性增强[18]。

3 模型设计

3.1 参数设定及数据预处理

3.2 基于用户选择行为的O2O服务推荐算法

无论是在传统的电子商务推荐还是在O2O推荐中，数据稀疏性一直是推荐系统所面临的最严峻的问题[19]。其实，在海量的备选服务中，两个用户选择了相同的服务，即便他们给出不一致的评价，也能反映二者的偏好存在着一定的相似性。也就是说，在“茫茫”服务当中两个用户都选择了“你们”，即便他们对这些服务的使用感受存在一定分歧。但是，如此相似的服务选择行为也足以说明二者之间较高的偏好相似性。

Pan等[20]在之前的研究中为了解决上述问题，提出了应用Jaccard系数来计算两个用户基于服务选择行为的偏好相似度。但是该系数存在过分“夸大”服务选择行为，而忽视服务体验感受的问题。当共同使用的服务分别在两个用户各自所使用的全部服务占有较高比例时，计算结果存在偏好相似性的片面高估问题。其实，用户对服务的评价行为相比于选择行为包含了更多、更丰富的可以用来衡量用户偏好的有效信息。因此，数值评分是不能被完全摒弃的。综合考虑上述分析，我们采用服务选择行为为“主”，服务评价行为为“辅”的用户偏好相似度衡量策略。具体计算如下

其中Oa、Ob和Oa，b分别代表用户pa和pb各自使用服务的集合以及二者使用服务的交集。|A|则表示集合A中元素的个数。COSa，b为基于两个用户对共同使用服务的评分所计算得到的相似性，采用余弦相似度进行衡量[21]。上述公式通过（1+COS），表现在衡量两个用户的偏好相似度过程中，基于评分的相似度以增强因子的方式存在。即两个用户所共同使用的服务在各自所使用的服务中占较大比例的同时，如果他们还对这些服务给出了相似的评分，那么二者之间就具备较高的偏好相似度。即便他们对这些服务给出了不一致的评价，二者的偏好相似度也主要是由他们共同选择服务的情况所决定的。

基于（1）式，我们可以计算集合P中两两用户的相似度（Sim），从而得到用户相似度矩阵。进而针对目标用户pa，我们将集合P中的其他用户pi（pi∈P且i≠a）根据Sima，i（a≠i）进行降序排列。排名越靠前的用户与pa的偏好相似度越高，他们的O2O服务选择行为对预测pa未来的服务选择行为具有更强的参考价值。因此，我们选取前K个用户作为pa的近邻用户群，记做集合Na。其中K的取值范围通常根据|P|来确定，并且平台可以根据推荐效果对K进行调整。其中推荐算法研究中的K值通常设定为30[16]。

最后，我们根据近邻用户群的O2O服务选择行为，来预测目标用户的服务选择行为。我们将那些近邻用户所使用的且目标用户pa未使用过的服务定义为目标用户的备选服务，这些服务所形成的集合记做AOa。那么，对其中的服务ok（ok∈AOa），通过（2）式计算该服务针对pa的推荐指数sprea，k。相类的，计算AOa中所有服务针对pa的推荐指数，然后将备选服务根据该指数进行降序排列，得到pa的个性化服务推荐列表。O2O服务平台可以根据自己的实际需求将前n个服务推荐给pa。

3.3 基于地理位置特征的O2O服务推荐算法

用户在选择O2O服务时，该服务提供商的地理位置是用户的重要决策参考因素之一[22]。对于不同的用户，由于他们的习惯地理位置（例如家庭住址、单位地址）不同，所以，他们的服务地理偏好也有所不同。而用户使用的服务的地理位置可以一定程度上反映用户不同的服务地理偏好，从而具备了个性化特征。为了避免用户的习惯地理位置所带来的片面性和有偏性，我们通过行为轨迹来衡量用户的地理偏好。具体的，通过用户所选择的O2O服务的地理位置（经纬度坐标）来计算用户的地理偏好中心点，计算公式如下

其中Oa为O2O用户pa所使用的服务所形成的集合。在基于地理位置特征的O2O服务推荐算法中，备选服务为平台上pa所未使用过的所有服务，所形成的集合即O-Oa。针对该集合中任一O2O服务oj（oj∈O-Oa），采用Haversine方程计算该服务的地理位置与目标用户pa的地理偏好中心点的物理距离d。针对目标用户pa，他更愿意接受那些与他地理偏好中心点较近的备选服务。因此，将备选服务根据其与偏好中心点的距离进行升序排序。从而得到基于地理位置特征的O2O服务推荐算法的推荐结果。相似的，运营平台可以根据商业需求将列表中的前n个服务推荐给用户。相比于基于用户选择行为的O2O服务推荐算法，基于地理位置特征的推荐算法具有较低的时间复杂度和空间复杂度。然而，用户的O2O服务选择往往是一个综合决策的过程。因此在下一节中，我们将以上两种方法进行融合，得到一种基于线上线下信息融合的O2O服务推荐算法。

3.4 线上线下信息融合的O2O服务推荐算法

通过以上两个方法，针对目标用户pa，我们可以得到关于备选服务oj的两个排序，分别记做RankBa，j（基于用户选择行为的推荐结果排序）和

RankLa，j（基于地理位置特征的推荐结果排序）。值得注意的是，在基于用户选择行为的推荐算法中，目标用户的备选服务为那些自己未选择过且他的近邻用户选择过的那些服务，即集合AOa。但是，在基于地理位置特征的推荐算法中，备选服务为全部目标用户未选择过的服务，即集合O-Oa。易知AOa∈O-Oa。因此，在这部分算法中，备选服务oj属于集合AOa。对于（O-Oa）-AOa集合中的服务，我们将在后文进行处理。为了体现O2O用户在服务选择决策过程中是综合考虑服务的线上主观评价信息以及线下客观地理特征的这一特点，我们将得到的两个排序通过（4）式进行融合，从而得到综合推荐指标RI。

其中α为权重调节参数，其取值范围为0到1区间。α的具体取值将在后文的参数实验中获得。除此之外，为了保证那些在（O-Oa）-AOa中，且距离目标用户地理偏好中心点较近的服务能够推荐给用户，我们将那些在基于地理位置特征的推荐列表中前M%且在（O-Oa）-AOa中的那些服务的RankL直接作为RI参与到目标用户的服务推荐中。因此，我们对（4）式进行拓展，得到如下公式

其中RM%a为关于目标用户pa的基于地理位置特征的推荐列表中排在前M%的O2O服务，M的取值范围为[0，100]。它的具体取值将在参数实验中获得。

4 实验分析

4.1 实验数据

为了验证本研究所提出的推荐算法在传统的电子商务推荐及O2O服务推荐中的有效性，我们采用准确率（Pre）、召回率（Rec）和F-Score在两个数据集上进行算法的验证，分别为推荐算法研究中常用的MovieLens数据集[18]和本文作者所爬取和整理的O2O服务数据集。下面将对以上两个数据集进行介绍。

4.1.1 MovieLens数据集

本文实验部分所使用的是MovieLens数据集中的MovieLens 100K Dataset。该数据集来源于MovieLens网站从1997年4月22日至1998年4月22日期间的真实数据。它包含了所选出的943名用户对1682部电影的100000个评分，评分的取值范围为1、2、3、4和5。为了降低数据稀疏性，上述943名用户均评价过至少20部电影。即便如此，该数据集的密度也仅为6.3%左右。除此之外，该数据集还包括了电影和用户的部分属性信息，如电影类型、用户年龄、用户性别、用户职业和用户居住地邮编等。上述属性在实验中均未涉及。

4.1.2 O2O服务数据集

餐饮团购服务作为出现最早、接受程度最高并受众群体最广的O2O服务已改变了人们传统的餐饮消费方式。O2O服务数据集由线上评论数据和线下地理数据组成。线上评论数据来源于大众点评官网中用户对餐饮团购服务的评价信息。由于O2O服务具有地域特征，我们爬取了截止至2020年9月30日，大众点评网站北京地区的餐饮团购公开评论信息。共获取1032874名用户对12846家餐厅所给出的981910231条评论记录。线下地理数据则由12846家餐厅的地理经纬度坐标组成。我们通过百度地图（map.baidu.com）所提供的拾取坐标系统来获取以上餐厅的具体地理位置，并以经纬度坐标系来表示。通过初步的统计分析我们发现，86.31%的用户所选择的超过80%的O2O服务均在他们的地理偏好中心点5公里以内，由此可见O2O服务的地理位置在用户服务选择决策过程中的重要性。

4.2 实验结果

4.2.1 实验设计

实验主要分为两部分，分别是对比实验和参数调整实验。在对比实验部分，我们比较本文所提出的推荐算法与其他已存在的推荐算法的推荐效果，从而通过观察新算法的优势和不足来分析O2O用户的服务选择决策行为特征。本文所提出的推荐算法包括基于用户选择行为的O2O服务推荐算法（C-R），基于地理位置特征的O2O服务推荐算法（L-R）和基于线上线下信息融合的O2O服务推荐算法（H-R）。为了验证地理位置对用户O2O服务选择决策的影响，我们将不考虑（O-Oa）-AOa中那些距离目标用户地理偏好中心点较近的服务的H-R算法记做H-R*。在对比实验中，相关参数均设置为中性值。我们选择经典的协同过滤推荐算法（CF）[23]和融合了前沿计算机技术的矩阵分解推荐算法（MF）[24]、神经网络推荐算法（NN）[25]和深度学习推荐算法（DL）[26]作为比较算法，以上四种比较算法均可以在MovieLens 100K和O2O数据集中使用。 在参数调整实验中，主要针对H-R算法中的α和M两个参数进行调整。通过观察不同取值下的推薦效果来探寻两个参数的最优取值。并根据他们的最优取值来分析O2O用户的服务选择决策行为特征。4.2.2 对比实验

在对比实验中，我们随机抽取一部分数据作为训练集，用作模型的输入。其余数据作为测试集，用来验证算法的推荐效果。在训练集抽取过程中，我们以10%为步长，进行9次抽取。即分别抽取10%到90%的数据作为训练集，其余数据作为测试集，进行9组实验。在每组实验中，记录本文算法与对比算法的推荐效果，从而进行比较。

实验结果如图1所示。总体观察可以发现，随着训练集密度的提升，所有算法的F-Score值均不断增加。即随着数据量的增大，实验中所包含的所有推荐算法的推荐效果均不断提升。在包括推荐系统在内的数据挖掘研究中，存在着一条相对客观的规律：更多的数据包含了更多的信息，从而使得算法对未来的预测更为准确。因此，这个现象说明了实验的可靠性，其中包括了算法的可用性和数据集的真实性。

观察图1（a）中，H-R、H-R*和L-R三个本文算法在O2O数据集上的推荐效果，可以发现：（1）H-R和H-R*的推荐效果要明显好于其他算法的推荐效果;（2）H-R的推荐效果要稍好于H-R*;（3）只考虑地理位置且算法复杂度相对较低的L-R竟然与那些融合了前沿计算机技术且算法复杂度相对较高的MF、DL和NN有着非常相近的推荐效果。实验结果（2）和（3）表明用户的O2O服务选择是一个距离敏感的决策过程，且服务的地理位置在决策过程中具有重要作用。实验结果（1）表明除了备选服务的线下地理特征，它们的线上口碑信息在用户的服务选择决策过程中也具有一定影响。因此，用户的O2O服务选择决策过程是一个融合了备选服务线上主观评价信息和线下客观地理信息的多属性决策过程。

除此之外，观察除了H-R、H-R*和L-R外，其余五个推荐算法在O2O数据集和MovieLens 100K上的推荐效果。可以发现MF、DL和NN三种融合了前沿计算机技术的混合推荐算法相比于协同过滤架构下的推荐算法，具有较为突出的推荐效果。这是因为上述三种混合推荐算法均利用输入数据，对模型进行反复训练，从而使得它们可以在有限的数据中，最大程度获取用户的偏好特征。相比而言，协同过滤架构下的推荐算法效果相对较差。但是值得注意的是，本文所提出的C-R的推荐效果要好于CF。这说明在稀疏数据环境下，用户的服务选择行为相比于用户的服务评价行为可以更好地衡量用户之间的偏好相似度。值得注意的是，C-R相比于MF、DL和NN，具有较低的计算复杂性。因此，当平台面对大规模线上数据且运算能力不足时，C-R算法不失为一种很好的选择。

4.2.3 参数实验

在参数实验部分，我们首先探索α的不同取值对H-R推荐效果的影响。我们分别在服务推荐数量为10和20的条件下，观察在不同数据密度（20%、40%、60%和80%的数据作为训练集）中α以0.1为步长从0取值到1这个过程所得到11个实验结果。

实验结果如图2所示。总体的，较高数据密度所对应的曲线位于较低数据密度所对应曲线的上方，即H-R的推荐效果随着数据量的增加而提升，从而表明这部分实验的可靠性。具体的，所有曲线均呈现“倒U形”，且在绝大部分情况下，当α=0.1时F-score达到最大值。α=0.1意味着在综合推荐指标RI的融合中，基于地理位置特征的推荐算法L-R所生成的备选服务排序占较大比重。因此，这个实验结果说明备选O2O服务的地理位置相比于服务的线上口碑在用户的选择决策过程中更加重要。但值得注意的是，α=0时的推荐效果与最优推荐效果差距较大。这个现象表明：用户在O2O服务的选择决策过程中，服务的线上口碑对这一决策过程具有一定影响。这是因为用户在传统线上平台进行商品或服务的选择时，已习惯于参考其他用户给出的评论信息。因此，即便O2O商业模式与传统电子商务模式存在较大区别，但是O2O服务平台同样作为线上平台，其包含的线上评论亦会对用户的O2O服务选择决策产生一定影响。因此，该实验结果再次证明：用户的O2O服务选择决策过程是一个融合了备选服务线上主观评价信息和线下客观地理信息的多属性决策过程。但在这个过程中，备选服务的地理位置对用户的决策具有较大的影响作用。

M是为了弥补H-R模型在备选服务的推荐排序过程中，遗漏了那些目标用户的近邻用户群体没有选择但是与目标用户地理偏好中心点较近的那些服务对算法推荐效果所造成的影响而设计的参数。这部分的实验设计与参数α调整实验相似。α在这部分实验中设定为前文实验所得到的最优值，即0.1。

实验结果如图3所示，图中曲线均呈现“倒U型”，且在M取值为30时，算法具有最佳的推荐效果。也就是说，在目标用户未选择的服务中，将与他的地理偏好中心点距离较近的前30%的服务纳入到他的备选服务参与到推荐过程中时，算法具有最好的推荐效果。但是，根据距离将更多的服务列入目标用户的备选服务集合中时（M超过30），一些距离较远且与目标用户偏好相差较大的服务将会对算法的推荐效果产生消极影响。表现为当M超过30时，算法的推荐效果逐步下降。该实验在探寻到H-R中参数M最优取值的同时，实验结果再次说明了O2O服务的地理位置在用户选择决策过程中的重要性。

5 总结及展望

本文通过所设计的三种分别基于线上评价数据、线下地理数据和以上二者的融合推荐算法，探究用户在O2O服务选择决策过程中的行为特征。通过实验发现，O2O服务的地理位置特征在用户的服务选择决策过程中具有重要影响，即用户通常会选择那些距离他较近的O2O服务。其次，服务的线上口碑也会对用户的选择决策产生一定影响。但是相比于服务的地理位置特征，它们线上口碑对用户选择决策所产生的影响相对较小。因此，以上结果表明：用户的O2O服务选择决策过程是融合了备选服务的线上口碑和线下地理特征的多属性决策过程。在这个过程中，服务的地理特征占据主导地位。这是因为“用户必须要去线下体验服务”这一O2O服务区别于传统电子商務服务的特征所决定的。除此之外，本文所提出的推荐算法在解决稀疏数据环境下推荐难这个问题上也做出了一定的贡献。

其实，用户的O2O服务选择决策行为特征会根据时间发生转移。除此之外，不排除一些饕餮用户为了探寻感兴趣的服务而忽视服务的地理位置。因此，后续研究会考虑用户行为特征的时间变化，以及特殊用户群体的行为特征分析。

参 考 文 献：

[1] Ardizzone A， Mortara A. Consumers motivations and daily deal promotions[J]. The Qualitative Report， 2014， 19（31）： 1-15.

[2] 朱国玮，周利.基于遗忘函数和领域最近邻的混合推荐研究[J].管理科学学报，2012，15（5）：55-64.

[3] Li L， Chen J， Raghunathan S. Recommender system rethink： implications for an electronic marketplace with competing manufacturers[J]. Information Systems Research， 2018， 29（4）： 1003-1023.

[4] 刘业政，孙见山，姜元春，等.大数据的价值发现：4C模型[J].管理世界，2020，36（2）：129-38，223.

[5] 陈国青，曾大军，卫强，等.大数据环境下的决策范式转变与使能创新[J].管理世界，2020，36（2）：95-105，220.

[6] Bock G W， Lee J， Kuan H H， et al.. The progression of online trust in the multi-channel retailer context and the role of product uncertainty[J]. Decision Support Systems， 2012， 53（1）： 97-107.

[7] Kwon W S， Lennon S J. What induces online loyalty？ Online versus offline brand images[J]. Journal of Business Research， 2009， 62（5）： 557-564.

[8] Yang S， Lu Y， Chau P Y K. Why do consumers adopt online channel？ An empirical investigation of two channel extension mechanisms[J]. Decision Support Systems， 2013， 54（1）： 858-869.

[9] Gallino S， Moreno A. Integration of online and offline channels in retail： the impact of sharing reliable inventory availability information[J]. Management Science， 2014， 60（6）： 1434-1451.

[10] 李治，孙锐.推荐解释对改变用户行为意向的研究——基于传播说服理论的视阈[J].中国软科学，2019，（6）：176-184.

[11] Lin Z， Zhang Y， Tan Y. An empirical study of free product sampling and rating bias[J]. Information Systems Research， 2019， 30（1）： 260-275.

[12] Liou J J H， Tzeng G H. A dominance-based rough set approach to customer behavior in the airline market[J]. Information Sciences， 2010， 180（11）： 2230-2238.

[13] 陳梅梅，刘利梅，施驰玮，等.推荐规模对个性化推荐系统用户决策的影响研究[J].南开管理评论，2020，23（1）：180-188.

[14] 姚凯，涂平，陈宇新，等.基于多源大数据的个性化推荐系统效果研究[J].管理科学，2018，31（5）：3-15.

[15] 尚燕敏，曹亚男，刘燕兵.基于异构社交网络信息和内容信息的事件推荐[J].软件学报，2020，31（4）：1212-1224.

[16] Siering M， Deokar A V， Janze C. Disentangling consumer recommendations： explaining and predicting airline recommendations based on online reviews[J]. Decision Support Systems， 2018， 107： 52-63.

[17] Li Y M， Lin L F， Ho C C. A social route recommender mechanism for store shopping support[J]. Decision Support Systems， 2017， 94（1）： 97-108.

[18] Jiang H， Qi X， Sun H. Choice-based recommender systems： a unified approach to achieving relevancy and diversity[J]. Operations Research， 2014， 62（5）： 973-993.

[19] Pan Y， Wu D. A novel recommendation model for online-to-offline service based on the customer network and service location[J]. Journal of Management Information Systems， 2020， 37（2）： 563-593.

[20] Pan Y， Wu D， Olson D L. Online to offline （O2O） service recommendation method based on multi-dimensional similarity measurement[J]. Decision Support Systems， 2017， 103： 1-8.

[21] Adomavicius G， Zhang J. Classification， ranking， and top-K stability of recommendation algorithms[J]. INFORMS Journal on Computing， 2016， 28（1）： 129-147.

[22] Li H， Shen Q， Bart Y. Local market characteristics and online-to-offline commerce： an empirical analysis of groupon[J]. Management Science， 2017， 64（4）： 1477-1973.

[23] Lian D， Ge Y， Zhang F， et al.. Scalable content-aware collaborative filtering for location recommendation[J]. IEEE Transactions on Knowledge and Data Engineering， 2018， 30（6）： 1122-1135.

[24] He Y， Wang C， Jiang C J. Correlated matrix factorization for recommendation with implicit feedback[J]. IEEE Transactions on Knowledge and Data Engineering， 2019， 31（3）： 451-464.

[25] Zhang W， Du Y， Yoshida T， et al.. DeepRec： a deep neural network approach to recommendation with item embedding and weighted loss function[J]. Information Sciences， 2019， 470（1）： 121-140.

[26] Guan Y， Wei Q， Chen G. Deep learning based personalized recommendation with Multi-view information integration[J]. Decision Support Systems， 2019， 118（1）： 58-69.

3410500338281