ABSTRACT We propose a new online-to-offline (O2O) service recommendation method based on a novel customer network and service location (CNLRec) in order to help customer to choose the “ideal” O2O services from a large set of alternatives. Our customer network, based on the “co-used” behaviors obtained from the online rating matrix, captures customers’ online behaviors while service location reflects offline behavior characteristic of the customer. For a target customer, a ranking of candidate services based on their locations and this network is generated, in which customer scale usage bias is eliminated. Our experimental results show that: First, even though the rating matrix is sparse, most customers are connected to our proposed customer network, which largely addresses the problem of sparse data. Second, CNLRec outperforms widely-used and state-of-the-art recommendation methods. In addition, e-commerce recommendations that use CNLRec without including item location information (CNRec) has better performance than existing methods. Third, all attributes in CNLRec, including network attributes (relationship degree and customer attribute) and location attributes, play a significant role in recommendations. Specially, O2O service location plays an important role in O2O service selection. In our research, we find the optimal combinations of these attributes.

中文翻译：

---

一种基于客户网络和服务位置的线上线下服务推荐模型

摘要 我们提出了一种基于新型客户网络和服务位置 (CNLRec) 的在线到离线 (O2O) 服务推荐方法，以帮助客户从大量备选方案中选择“理想”的 O2O 服务。我们的客户网络基于从在线评分矩阵中获得的“共同使用”行为，捕捉客户的在线行为，而服务位置则反映了客户的线下行为特征。对于目标客户，根据他们的位置和该网络生成候选服务的排名，其中消除了客户规模使用偏差。我们的实验结果表明：首先，尽管评分矩阵是稀疏的，但大多数客户都连接到我们提出的客户网络，这在很大程度上解决了数据稀疏的问题。第二，CNLRec 优于广泛使用的最先进的推荐方法。此外，使用 CNLRec 而不包含项目位置信息 (CNRec) 的电子商务推荐比现有方法具有更好的性能。第三，CNLRec 中的所有属性，包括网络属性（关系度和客户属性）和位置属性，在推荐中都起着重要作用。特别是，O2O服务选址在O2O服务选择中起着重要作用。在我们的研究中，我们找到了这些属性的最佳组合。包括网络属性（关系度和客户属性）和位置属性，在推荐中起着重要作用。特别是，O2O服务选址在O2O服务选择中起着重要作用。在我们的研究中，我们找到了这些属性的最佳组合。包括网络属性（关系度和客户属性）和位置属性，在推荐中起着重要作用。特别是，O2O服务选址在O2O服务选择中起着重要作用。在我们的研究中，我们找到了这些属性的最佳组合。