潘禹辰 吳德勝

摘 要：Online-to-offline（O2O）作為一種融合線上線下雙渠道的新型商業(yè)模式，在近些年來已得到消費者的廣泛接受和認可。不同于傳統(tǒng)的互聯網商業(yè)模式，O2O服務的地理位置對用戶的服務選擇決策過程具有一定影響。這是因為O2O服務不同于傳統(tǒng)電子商務服務的“線上購買的服務必須線下使用”這一特征所決定的。本文考慮O2O服務的專有特征，通過個性化推薦來探究O2O用戶的服務選擇決策行為特征。具體的，針對線上主觀服務口碑數據、線下客觀服務位置數據和二者融合數據分別設計了三種推薦算法。數據實驗結果表明：用戶的O2O服務選擇決策是同時考慮服務的線上口碑和線下位置的多屬性決策過程。但在這一過程中，備選服務的地理位置對用戶的選擇決策具有更大的影響作用。

關鍵詞：O2O服務;用戶行為特征;服務地理位置;個性化推薦

中圖分類號：C931.6 文獻標識碼：A 文章編號：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，隨著線上電子商務市場的逐步飽和，一種全新的融合線上（online）、線下（offline）雙渠道的互聯網商業(yè)模式—O2O商業(yè)模式應運而生。相比于傳統(tǒng)的B2B和B2C等在內的互聯網商業(yè)模式所提供的服務和商品，O2O用戶必須在線下體驗他在線上所購買的O2O服務。因此，服務的地理位置在用戶的服務選擇決策中變得尤為重要。例如，用戶會傾向于那些距離他比較近的O2O服務[1]。盡管如此，服務的線上口碑已經成為用戶在互聯網平臺進行服務選擇決策過程中的重要參考因素之一。即便是在O2O商業(yè)模式下，服務口碑仍然對用戶的選擇決策具有重要的參考意義。

那么，用戶在O2O服務選擇決策過程中，是關注服務的線上評價還是服務的線下距離？如果都關注的話，哪個因素在該過程中更重要呢？本文的研究就是通過設計不同的O2O服務推薦算法，并通過觀察不同算法的推薦效果來分析O2O用戶的選擇決策行為特征。推薦系統(tǒng)是線上互聯網平臺解決用戶面對海量備選項目而產生選擇難問題的最有效的方法之一[2]，它通過分析用戶在平臺上的交互行為，挖掘用戶的潛在偏好和興趣，向用戶推薦最可能符合他們興趣偏好的商品或服務[3]。

潘禹辰，等： 關注線上評價還是在意線下距離？——基于推薦效果的O2O商業(yè)模式下用戶選擇決策行為特征分析Vol.41， No.1工 程 管 理 科 技 前 沿2022年第1期

因此，本文分別基于服務的線上主觀評論信息、線下客觀地理特征和二者相融合所得到的三類數據構建了三個新的推薦算法，分別為：基于用戶選擇行為的O2O服務推薦算法、基于地理位置特征的O2O服務推薦算法和基于線上線下信息融合的O2O服務推薦算法。其中基于用戶選擇行為的O2O服務推薦算法是在協(xié)同過濾架構下對用戶偏好衡量方法進行改進。因此，該算法除了可以探究O2O用戶選擇決策行為特征之外，還可以在一定程度上解決稀疏數據環(huán)境下基于評分的協(xié)同過濾算法推薦效果差的問題?；诘乩砦恢锰卣鞯腛2O服務推薦算法是針對O2O服務不同于傳統(tǒng)電子商務服務所具有的距離敏感特征所設計的推薦算法?；诰€上線下信息融合的O2O服務推薦算法則是將上述兩種推薦算法進行了融合，從而使得在推薦過程中不但考慮了備選服務的線上評價信息，還考慮它們的線下地理特征，并且可以根據模型中參數的最優(yōu)取值來分析二者在O2O服務選擇決策中的重要性。

2 文獻回顧

2.1 O2O服務

隨著大數據技術的推動和發(fā)展，O2O商業(yè)模式正在逐漸改變著人們的生產和生活方式[4，5]。O2O服務平臺作為“橋梁”將線上用戶和線下商家通過電子憑證（如團購劵）聯系在一起。關于O2O服務口碑的研究，Bock等[6]發(fā)現用戶對服務的線下認知會影響他對該服務的線上選擇決策。相似地，Kwon和Lennon[7]通過實證探究同樣發(fā)現品牌的線下口碑會對該品牌的線上品牌形象以及線上用戶忠誠度產生一定影響。在O2O服務質量方面，Yang等[8]提出了在人們的感知中，線上服務的購買欲望會受到線下服務質量影響這一觀點，并對影響程度進行了度量。實際上，較高的服務質量會有效提升用戶的品牌忠誠度，而這種忠誠度會在線上線下雙渠道產生相互影響[6]。即用戶線上購買的服務的質量也會反過來影響他們線下購買該服務的決策[9]。然而，有關O2O用戶的服務選擇決策行為特征的相關研究還未曾報導。

2.2 用戶行為特征分析

在傳統(tǒng)電子商務平臺上的用戶行為特征分析方面，李治和孫銳[10]基于亞馬遜和京東兩個電子商務平臺數據，研究電商平臺中推薦解釋對用戶行為意向的影響機制。研究結果表明當用戶對服務信任度較高時，推薦機制對用戶的商品選擇行為影響較低。反之，當用戶對服務信任度較低時，推薦機制可以顯著提高用戶的購買意向。Lin等[11]基于淘寶用戶數據的分析發(fā)現商家的服務態(tài)度對用戶的商品選擇決策行為具有十分重要的影響，其中惡劣的服務態(tài)度會導致用戶放棄本想購買的商品。Liou和Tzeng[12]則通過數據挖掘方法預測用戶在航班選擇中的決策行為特征，來幫助航空公司制定更加優(yōu)化的營銷策略。但是，我們發(fā)現在已有文獻中均很少涉及到有關O2O用戶的服務選擇決策行為特征研究。因此，本文通過觀察不同類別推薦算法的推薦測度來分析O2O用戶的選擇決策行為特征，以此補充行為特征分析的相關理論，拓展行為特征分析的應用范圍。

2.3 個性化推薦算法

個性化推薦最早應用于電子商務領域以用來解決信息過載問題[2，13]。推薦系統(tǒng)通過用戶在平臺上的服務交互行為，預測那些最可能滿足用戶需求、符合用戶偏好的服務并推薦給他們[13]。隨著推薦系統(tǒng)在亞馬遜和Netflix等互聯巨頭企業(yè)地成功應用[14]，個性化推薦技術逐步推廣到了醫(yī)療、教育、 文化和社交網絡等諸多領域[15]。在以上這些研究中，絕大多數研究是關于推薦系統(tǒng)的跨領域應用和推薦準確度這兩個方面[16，17]。而在近些年來，推薦多樣性開始成為眾多學者關注的一個話題：即在保證推薦準確度不變或者較小損失的前提下，使得推薦的商品或服務盡可能地多樣化，從而增強新鮮感，提高用戶的滿意度，使得用戶對平臺的使用依賴性增強[18]。

3 模型設計

3.1 參數設定及數據預處理

3.2 基于用戶選擇行為的O2O服務推薦算法

無論是在傳統(tǒng)的電子商務推薦還是在O2O推薦中，數據稀疏性一直是推薦系統(tǒng)所面臨的最嚴峻的問題[19]。其實，在海量的備選服務中，兩個用戶選擇了相同的服務，即便他們給出不一致的評價，也能反映二者的偏好存在著一定的相似性。也就是說，在“茫茫”服務當中兩個用戶都選擇了“你們”，即便他們對這些服務的使用感受存在一定分歧。但是，如此相似的服務選擇行為也足以說明二者之間較高的偏好相似性。

Pan等[20]在之前的研究中為了解決上述問題，提出了應用Jaccard系數來計算兩個用戶基于服務選擇行為的偏好相似度。但是該系數存在過分“夸大”服務選擇行為，而忽視服務體驗感受的問題。當共同使用的服務分別在兩個用戶各自所使用的全部服務占有較高比例時，計算結果存在偏好相似性的片面高估問題。其實，用戶對服務的評價行為相比于選擇行為包含了更多、更豐富的可以用來衡量用戶偏好的有效信息。因此，數值評分是不能被完全摒棄的。綜合考慮上述分析，我們采用服務選擇行為為“主”，服務評價行為為“輔”的用戶偏好相似度衡量策略。具體計算如下

其中Oa、Ob和Oa，b分別代表用戶pa和pb各自使用服務的集合以及二者使用服務的交集。|A|則表示集合A中元素的個數。COSa，b為基于兩個用戶對共同使用服務的評分所計算得到的相似性，采用余弦相似度進行衡量[21]。上述公式通過（1+COS），表現在衡量兩個用戶的偏好相似度過程中，基于評分的相似度以增強因子的方式存在。即兩個用戶所共同使用的服務在各自所使用的服務中占較大比例的同時，如果他們還對這些服務給出了相似的評分，那么二者之間就具備較高的偏好相似度。即便他們對這些服務給出了不一致的評價，二者的偏好相似度也主要是由他們共同選擇服務的情況所決定的。

基于（1）式，我們可以計算集合P中兩兩用戶的相似度（Sim），從而得到用戶相似度矩陣。進而針對目標用戶pa，我們將集合P中的其他用戶pi（pi∈P且i≠a）根據Sima，i（a≠i）進行降序排列。排名越靠前的用戶與pa的偏好相似度越高，他們的O2O服務選擇行為對預測pa未來的服務選擇行為具有更強的參考價值。因此，我們選取前K個用戶作為pa的近鄰用戶群，記做集合Na。其中K的取值范圍通常根據|P|來確定，并且平臺可以根據推薦效果對K進行調整。其中推薦算法研究中的K值通常設定為30[16]。

最后，我們根據近鄰用戶群的O2O服務選擇行為，來預測目標用戶的服務選擇行為。我們將那些近鄰用戶所使用的且目標用戶pa未使用過的服務定義為目標用戶的備選服務，這些服務所形成的集合記做AOa。那么，對其中的服務ok（ok∈AOa），通過（2）式計算該服務針對pa的推薦指數sprea，k。相類的，計算AOa中所有服務針對pa的推薦指數，然后將備選服務根據該指數進行降序排列，得到pa的個性化服務推薦列表。O2O服務平臺可以根據自己的實際需求將前n個服務推薦給pa。

3.3 基于地理位置特征的O2O服務推薦算法

用戶在選擇O2O服務時，該服務提供商的地理位置是用戶的重要決策參考因素之一[22]。對于不同的用戶，由于他們的習慣地理位置（例如家庭住址、單位地址）不同，所以，他們的服務地理偏好也有所不同。而用戶使用的服務的地理位置可以一定程度上反映用戶不同的服務地理偏好，從而具備了個性化特征。為了避免用戶的習慣地理位置所帶來的片面性和有偏性，我們通過行為軌跡來衡量用戶的地理偏好。具體的，通過用戶所選擇的O2O服務的地理位置（經緯度坐標）來計算用戶的地理偏好中心點，計算公式如下

其中Oa為O2O用戶pa所使用的服務所形成的集合。在基于地理位置特征的O2O服務推薦算法中，備選服務為平臺上pa所未使用過的所有服務，所形成的集合即O-Oa。針對該集合中任一O2O服務oj（oj∈O-Oa），采用Haversine方程計算該服務的地理位置與目標用戶pa的地理偏好中心點的物理距離d。針對目標用戶pa，他更愿意接受那些與他地理偏好中心點較近的備選服務。因此，將備選服務根據其與偏好中心點的距離進行升序排序。從而得到基于地理位置特征的O2O服務推薦算法的推薦結果。相似的，運營平臺可以根據商業(yè)需求將列表中的前n個服務推薦給用戶。相比于基于用戶選擇行為的O2O服務推薦算法，基于地理位置特征的推薦算法具有較低的時間復雜度和空間復雜度。然而，用戶的O2O服務選擇往往是一個綜合決策的過程。因此在下一節(jié)中，我們將以上兩種方法進行融合，得到一種基于線上線下信息融合的O2O服務推薦算法。

3.4 線上線下信息融合的O2O服務推薦算法

通過以上兩個方法，針對目標用戶pa，我們可以得到關于備選服務oj的兩個排序，分別記做RankBa，j（基于用戶選擇行為的推薦結果排序）和

RankLa，j（基于地理位置特征的推薦結果排序）。值得注意的是，在基于用戶選擇行為的推薦算法中，目標用戶的備選服務為那些自己未選擇過且他的近鄰用戶選擇過的那些服務，即集合AOa。但是，在基于地理位置特征的推薦算法中，備選服務為全部目標用戶未選擇過的服務，即集合O-Oa。易知AOa∈O-Oa。因此，在這部分算法中，備選服務oj屬于集合AOa。對于（O-Oa）-AOa集合中的服務，我們將在后文進行處理。為了體現O2O用戶在服務選擇決策過程中是綜合考慮服務的線上主觀評價信息以及線下客觀地理特征的這一特點，我們將得到的兩個排序通過（4）式進行融合，從而得到綜合推薦指標RI。

其中α為權重調節(jié)參數，其取值范圍為0到1區(qū)間。α的具體取值將在后文的參數實驗中獲得。除此之外，為了保證那些在（O-Oa）-AOa中，且距離目標用戶地理偏好中心點較近的服務能夠推薦給用戶，我們將那些在基于地理位置特征的推薦列表中前M%且在（O-Oa）-AOa中的那些服務的RankL直接作為RI參與到目標用戶的服務推薦中。因此，我們對（4）式進行拓展，得到如下公式

其中RM%a為關于目標用戶pa的基于地理位置特征的推薦列表中排在前M%的O2O服務，M的取值范圍為[0，100]。它的具體取值將在參數實驗中獲得。

4 實驗分析

4.1 實驗數據

為了驗證本研究所提出的推薦算法在傳統(tǒng)的電子商務推薦及O2O服務推薦中的有效性，我們采用準確率（Pre）、召回率（Rec）和F-Score在兩個數據集上進行算法的驗證，分別為推薦算法研究中常用的MovieLens數據集[18]和本文作者所爬取和整理的O2O服務數據集。下面將對以上兩個數據集進行介紹。

4.1.1 MovieLens數據集

本文實驗部分所使用的是MovieLens數據集中的MovieLens 100K Dataset。該數據集來源于MovieLens網站從1997年4月22日至1998年4月22日期間的真實數據。它包含了所選出的943名用戶對1682部電影的100000個評分，評分的取值范圍為1、2、3、4和5。為了降低數據稀疏性，上述943名用戶均評價過至少20部電影。即便如此，該數據集的密度也僅為6.3%左右。除此之外，該數據集還包括了電影和用戶的部分屬性信息，如電影類型、用戶年齡、用戶性別、用戶職業(yè)和用戶居住地郵編等。上述屬性在實驗中均未涉及。

4.1.2 O2O服務數據集

餐飲團購服務作為出現最早、接受程度最高并受眾群體最廣的O2O服務已改變了人們傳統(tǒng)的餐飲消費方式。O2O服務數據集由線上評論數據和線下地理數據組成。線上評論數據來源于大眾點評官網中用戶對餐飲團購服務的評價信息。由于O2O服務具有地域特征，我們爬取了截止至2020年9月30日，大眾點評網站北京地區(qū)的餐飲團購公開評論信息。共獲取1032874名用戶對12846家餐廳所給出的981910231條評論記錄。線下地理數據則由12846家餐廳的地理經緯度坐標組成。我們通過百度地圖（map.baidu.com）所提供的拾取坐標系統(tǒng)來獲取以上餐廳的具體地理位置，并以經緯度坐標系來表示。通過初步的統(tǒng)計分析我們發(fā)現，86.31%的用戶所選擇的超過80%的O2O服務均在他們的地理偏好中心點5公里以內，由此可見O2O服務的地理位置在用戶服務選擇決策過程中的重要性。

4.2 實驗結果

4.2.1 實驗設計

實驗主要分為兩部分，分別是對比實驗和參數調整實驗。在對比實驗部分，我們比較本文所提出的推薦算法與其他已存在的推薦算法的推薦效果，從而通過觀察新算法的優(yōu)勢和不足來分析O2O用戶的服務選擇決策行為特征。本文所提出的推薦算法包括基于用戶選擇行為的O2O服務推薦算法（C-R），基于地理位置特征的O2O服務推薦算法（L-R）和基于線上線下信息融合的O2O服務推薦算法（H-R）。為了驗證地理位置對用戶O2O服務選擇決策的影響，我們將不考慮（O-Oa）-AOa中那些距離目標用戶地理偏好中心點較近的服務的H-R算法記做H-R*。在對比實驗中，相關參數均設置為中性值。我們選擇經典的協(xié)同過濾推薦算法（CF）[23]和融合了前沿計算機技術的矩陣分解推薦算法（MF）[24]、神經網絡推薦算法（NN）[25]和深度學習推薦算法（DL）[26]作為比較算法，以上四種比較算法均可以在MovieLens 100K和O2O數據集中使用。 在參數調整實驗中，主要針對H-R算法中的α和M兩個參數進行調整。通過觀察不同取值下的推薦效果來探尋兩個參數的最優(yōu)取值。并根據他們的最優(yōu)取值來分析O2O用戶的服務選擇決策行為特征。4.2.2 對比實驗

在對比實驗中，我們隨機抽取一部分數據作為訓練集，用作模型的輸入。其余數據作為測試集，用來驗證算法的推薦效果。在訓練集抽取過程中，我們以10%為步長，進行9次抽取。即分別抽取10%到90%的數據作為訓練集，其余數據作為測試集，進行9組實驗。在每組實驗中，記錄本文算法與對比算法的推薦效果，從而進行比較。

實驗結果如圖1所示?？傮w觀察可以發(fā)現，隨著訓練集密度的提升，所有算法的F-Score值均不斷增加。即隨著數據量的增大，實驗中所包含的所有推薦算法的推薦效果均不斷提升。在包括推薦系統(tǒng)在內的數據挖掘研究中，存在著一條相對客觀的規(guī)律：更多的數據包含了更多的信息，從而使得算法對未來的預測更為準確。因此，這個現象說明了實驗的可靠性，其中包括了算法的可用性和數據集的真實性。

觀察圖1（a）中，H-R、H-R*和L-R三個本文算法在O2O數據集上的推薦效果，可以發(fā)現：（1）H-R和H-R*的推薦效果要明顯好于其他算法的推薦效果;（2）H-R的推薦效果要稍好于H-R*;（3）只考慮地理位置且算法復雜度相對較低的L-R竟然與那些融合了前沿計算機技術且算法復雜度相對較高的MF、DL和NN有著非常相近的推薦效果。實驗結果（2）和（3）表明用戶的O2O服務選擇是一個距離敏感的決策過程，且服務的地理位置在決策過程中具有重要作用。實驗結果（1）表明除了備選服務的線下地理特征，它們的線上口碑信息在用戶的服務選擇決策過程中也具有一定影響。因此，用戶的O2O服務選擇決策過程是一個融合了備選服務線上主觀評價信息和線下客觀地理信息的多屬性決策過程。

除此之外，觀察除了H-R、H-R*和L-R外，其余五個推薦算法在O2O數據集和MovieLens 100K上的推薦效果?？梢园l(fā)現MF、DL和NN三種融合了前沿計算機技術的混合推薦算法相比于協(xié)同過濾架構下的推薦算法，具有較為突出的推薦效果。這是因為上述三種混合推薦算法均利用輸入數據，對模型進行反復訓練，從而使得它們可以在有限的數據中，最大程度獲取用戶的偏好特征。相比而言，協(xié)同過濾架構下的推薦算法效果相對較差。但是值得注意的是，本文所提出的C-R的推薦效果要好于CF。這說明在稀疏數據環(huán)境下，用戶的服務選擇行為相比于用戶的服務評價行為可以更好地衡量用戶之間的偏好相似度。值得注意的是，C-R相比于MF、DL和NN，具有較低的計算復雜性。因此，當平臺面對大規(guī)模線上數據且運算能力不足時，C-R算法不失為一種很好的選擇。

4.2.3 參數實驗

在參數實驗部分，我們首先探索α的不同取值對H-R推薦效果的影響。我們分別在服務推薦數量為10和20的條件下，觀察在不同數據密度（20%、40%、60%和80%的數據作為訓練集）中α以0.1為步長從0取值到1這個過程所得到11個實驗結果。

實驗結果如圖2所示?？傮w的，較高數據密度所對應的曲線位于較低數據密度所對應曲線的上方，即H-R的推薦效果隨著數據量的增加而提升，從而表明這部分實驗的可靠性。具體的，所有曲線均呈現“倒U形”，且在絕大部分情況下，當α=0.1時F-score達到最大值。α=0.1意味著在綜合推薦指標RI的融合中，基于地理位置特征的推薦算法L-R所生成的備選服務排序占較大比重。因此，這個實驗結果說明備選O2O服務的地理位置相比于服務的線上口碑在用戶的選擇決策過程中更加重要。但值得注意的是，α=0時的推薦效果與最優(yōu)推薦效果差距較大。這個現象表明：用戶在O2O服務的選擇決策過程中，服務的線上口碑對這一決策過程具有一定影響。這是因為用戶在傳統(tǒng)線上平臺進行商品或服務的選擇時，已習慣于參考其他用戶給出的評論信息。因此，即便O2O商業(yè)模式與傳統(tǒng)電子商務模式存在較大區(qū)別，但是O2O服務平臺同樣作為線上平臺，其包含的線上評論亦會對用戶的O2O服務選擇決策產生一定影響。因此，該實驗結果再次證明：用戶的O2O服務選擇決策過程是一個融合了備選服務線上主觀評價信息和線下客觀地理信息的多屬性決策過程。但在這個過程中，備選服務的地理位置對用戶的決策具有較大的影響作用。

M是為了彌補H-R模型在備選服務的推薦排序過程中，遺漏了那些目標用戶的近鄰用戶群體沒有選擇但是與目標用戶地理偏好中心點較近的那些服務對算法推薦效果所造成的影響而設計的參數。這部分的實驗設計與參數α調整實驗相似。α在這部分實驗中設定為前文實驗所得到的最優(yōu)值，即0.1。

實驗結果如圖3所示，圖中曲線均呈現“倒U型”，且在M取值為30時，算法具有最佳的推薦效果。也就是說，在目標用戶未選擇的服務中，將與他的地理偏好中心點距離較近的前30%的服務納入到他的備選服務參與到推薦過程中時，算法具有最好的推薦效果。但是，根據距離將更多的服務列入目標用戶的備選服務集合中時（M超過30），一些距離較遠且與目標用戶偏好相差較大的服務將會對算法的推薦效果產生消極影響。表現為當M超過30時，算法的推薦效果逐步下降。該實驗在探尋到H-R中參數M最優(yōu)取值的同時，實驗結果再次說明了O2O服務的地理位置在用戶選擇決策過程中的重要性。

5 總結及展望

本文通過所設計的三種分別基于線上評價數據、線下地理數據和以上二者的融合推薦算法，探究用戶在O2O服務選擇決策過程中的行為特征。通過實驗發(fā)現，O2O服務的地理位置特征在用戶的服務選擇決策過程中具有重要影響，即用戶通常會選擇那些距離他較近的O2O服務。其次，服務的線上口碑也會對用戶的選擇決策產生一定影響。但是相比于服務的地理位置特征，它們線上口碑對用戶選擇決策所產生的影響相對較小。因此，以上結果表明：用戶的O2O服務選擇決策過程是融合了備選服務的線上口碑和線下地理特征的多屬性決策過程。在這個過程中，服務的地理特征占據主導地位。這是因為“用戶必須要去線下體驗服務”這一O2O服務區(qū)別于傳統(tǒng)電子商務服務的特征所決定的。除此之外，本文所提出的推薦算法在解決稀疏數據環(huán)境下推薦難這個問題上也做出了一定的貢獻。

其實，用戶的O2O服務選擇決策行為特征會根據時間發(fā)生轉移。除此之外，不排除一些饕餮用戶為了探尋感興趣的服務而忽視服務的地理位置。因此，后續(xù)研究會考慮用戶行為特征的時間變化，以及特殊用戶群體的行為特征分析。

參 考 文 獻：

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

[2] 朱國瑋，周利.基于遺忘函數和領域最近鄰的混合推薦研究[J].管理科學學報，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] 劉業(yè)政，孫見山，姜元春，等.大數據的價值發(fā)現：4C模型[J].管理世界，2020，36（2）：129-38，223.

[5] 陳國青，曾大軍，衛(wèi)強，等.大數據環(huán)境下的決策范式轉變與使能創(chuàng)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，孫銳.推薦解釋對改變用戶行為意向的研究——基于傳播說服理論的視閾[J].中國軟科學，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，劉利梅，施馳瑋，等.推薦規(guī)模對個性化推薦系統(tǒng)用戶決策的影響研究[J].南開管理評論，2020，23（1）：180-188.

[14] 姚凱，涂平，陳宇新，等.基于多源大數據的個性化推薦系統(tǒng)效果研究[J].管理科學，2018，31（5）：3-15.

[15] 尚燕敏，曹亞男，劉燕兵.基于異構社交網絡信息和內容信息的事件推薦[J].軟件學報，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