基于Python 人臉識(shí)別的公共自習(xí)資源調(diào)配研究

賀中浩，李旭霄，蔣躍，趙珺琪，劉夢(mèng)奎，曹崴

（長(zhǎng)春大學(xué)旅游學(xué)院，吉林長(zhǎng)春，130607）

0 引言

隨著當(dāng)今社會(huì)的發(fā)展，公民文化程度的提升。面對(duì)公共自習(xí)資源數(shù)量一定的前提下，如何能提高公共自習(xí)資源的使用率和上座率是本次所要研究的重點(diǎn)內(nèi)容。本次研究主要采用Python 人臉識(shí)別和機(jī)器學(xué)習(xí)技術(shù)來展開，其人臉識(shí)別技術(shù)在國(guó)內(nèi)外的應(yīng)用都極其廣泛。目前我國(guó)人臉識(shí)別技術(shù)的應(yīng)用重點(diǎn)側(cè)重于考勤、安防和門禁這幾大領(lǐng)域，該技術(shù)極大的提升了系統(tǒng)的響應(yīng)速度，且在當(dāng)今疫情時(shí)代的背景下能夠有效避免過多的接觸來降低感染病毒的概率。除此之外，在日常生活中，使用者可以在購(gòu)物結(jié)賬時(shí)選擇支付寶或微信的刷臉支付，省去再打開手機(jī)支付的步驟，從而解放我們的雙手。在此背景下，基于Python 人臉識(shí)別的技術(shù)能夠合理的運(yùn)用到公共自習(xí)資源的調(diào)配上。

1 人臉識(shí)別是解決公共自習(xí)資源調(diào)配[1]的重要方法

傳統(tǒng)的公共自習(xí)資源調(diào)配存在分配不均、資源利用率不高等問題，依靠傳統(tǒng)的分配經(jīng)驗(yàn)很難解決非技術(shù)性問題，且不能將資源的利用率最大化。故通過人臉識(shí)別、機(jī)器學(xué)習(xí)模型等方法進(jìn)行入場(chǎng)人員的篩選，克服傳統(tǒng)占座的“陋習(xí)”。同時(shí)也提高了場(chǎng)館的安全性與可控性，避免一切不必要的事情發(fā)生。最終人臉識(shí)別技術(shù)成為公共自習(xí)資源調(diào)配的重要方法。

近年來，國(guó)內(nèi)的人臉識(shí)別技術(shù)[2]發(fā)展突飛猛進(jìn)，此技術(shù)在日常生活中的運(yùn)用也較為普遍：中國(guó)鐵路集團(tuán)將傳統(tǒng)的取票進(jìn)站技術(shù)更新為刷臉、刷身份證進(jìn)站。不僅節(jié)省了乘客的進(jìn)站時(shí)間，而且符合當(dāng)今社會(huì)下可持續(xù)發(fā)展的戰(zhàn)略，節(jié)約了車票紙張這種耗材的使用。進(jìn)一步的規(guī)范了實(shí)名購(gòu)票的政策，杜絕了黃牛倒票現(xiàn)象的出現(xiàn)。這種跨時(shí)代技術(shù)的應(yīng)用為中國(guó)鐵路集團(tuán)解決了較多傳統(tǒng)難以解決的問題。

雖然國(guó)內(nèi)已有一些對(duì)人臉識(shí)別技術(shù)應(yīng)用較成熟的公司，但在面對(duì)公共自習(xí)資源調(diào)配的問題上毫無涉及，因此這是一個(gè)亟待解決的巨大寶藏。又因有較多前輩對(duì)該技術(shù)的不斷付出，后生才能輕松應(yīng)用到這一寶藏中。同時(shí)我們也將秉承“智能化、自動(dòng)化、成熟化”的原則不斷探索與更新。

2 基于微信小程序的智能微服務(wù)平臺(tái)

為解決傳統(tǒng)自習(xí)室難管理、難服務(wù)的兩大難題，本文將選擇日常生活中使用率、覆蓋率高達(dá)百分之九十五的社交軟件——微信平臺(tái)使自習(xí)室變得智能化、現(xiàn)代化。同時(shí)經(jīng)調(diào)查顯示，當(dāng)年輕人在面對(duì)一個(gè)非剛需的新APP 時(shí)，產(chǎn)生下載的欲望基本為0；而當(dāng)其面對(duì)一個(gè)非剛需的新小程序時(shí)，內(nèi)心的好奇心會(huì)驅(qū)使自身打開看看。因此，基于微信小程序的智能微服務(wù)平臺(tái)就此誕生。

自2017 年微信小程序上線以來，已有超過150 萬開發(fā)者加入到微信小程序的開發(fā)，應(yīng)用數(shù)量也超過了一百萬，日活用戶高達(dá)兩億。在如此驚人的數(shù)字背景下，微信小程序作為一種不需要下載安裝、即用即走、線上線下精準(zhǔn)連接的平臺(tái)深受當(dāng)代年輕人的喜愛。通過圖1 中小程序的開發(fā)流程即可實(shí)現(xiàn)將小程序應(yīng)用到傳統(tǒng)自習(xí)室[3]中，解決傳統(tǒng)自習(xí)室的難題。使用戶做到足不出戶查看相關(guān)數(shù)據(jù)、實(shí)現(xiàn)相關(guān)功能。例如：座位余量、使用時(shí)長(zhǎng)、線上預(yù)約、線上取消等等方面。

智能微服務(wù)平臺(tái)的誕生搭配入口處的人臉識(shí)別閘機(jī)對(duì)于自習(xí)室管理員來說，能夠通過后臺(tái)數(shù)據(jù)精準(zhǔn)確定入場(chǎng)人員、高效地統(tǒng)計(jì)學(xué)習(xí)時(shí)長(zhǎng)、極大的提高自習(xí)室的安全性、有效的降低危險(xiǎn)發(fā)生的可能性，大大減輕了自身的工作量。

對(duì)于用戶而言，將傳統(tǒng)自習(xí)室實(shí)現(xiàn)智能化、可視化后，不僅解決了自身入座難的問題，而且提高了自習(xí)室的上座率和使用率，減少了自習(xí)室出現(xiàn)“鬼室”的情況。實(shí)時(shí)預(yù)約、實(shí)時(shí)顯示的功能將會(huì)為用戶提供方便快捷的選座服務(wù)，與傳統(tǒng)的排隊(duì)占座說不。

傳統(tǒng)自習(xí)室在加入智能微服務(wù)平臺(tái)后，將會(huì)使其變?yōu)橐粋€(gè)充滿愛與溫度的空間。用戶通過使用平臺(tái)的過程中能深切實(shí)際的感受到該平臺(tái)的便捷性，有助于提高用戶去自習(xí)室的積極性。最終實(shí)現(xiàn)對(duì)此平臺(tái)的開發(fā)初衷。

3 基于Apriori 算法構(gòu)建自習(xí)座位的智能推薦模型

3.1 業(yè)務(wù)需求理解與解析

在互聯(lián)網(wǎng)時(shí)代呈爆炸式增長(zhǎng)的今天，用戶在對(duì)互聯(lián)網(wǎng)知識(shí)的理解程度不斷提升、新時(shí)代產(chǎn)品持續(xù)應(yīng)用的前提下，在面臨生活中的各種選擇時(shí)，難免會(huì)產(chǎn)生選擇困難癥。在對(duì)產(chǎn)品安全性、易用性、全面性等要求不斷提高的前提下，加強(qiáng)用戶的體驗(yàn)感與實(shí)際使用感，提高用戶使用產(chǎn)品的幸福感。本文針對(duì)上述目標(biāo)構(gòu)建出基于Apriori 算法[5]的智能推薦模型，從而解決用戶難選擇、選擇難的痛點(diǎn)問題。通過記錄大部分用戶所選擇自習(xí)座位的行為特征，對(duì)未來用戶再次進(jìn)入自習(xí)室所選擇的座位進(jìn)行推薦，并將推薦模型結(jié)果實(shí)時(shí)顯示在產(chǎn)品屏幕上，為具有選擇困難癥的用戶提供較為簡(jiǎn)單且有依據(jù)的幫助。

3.2 模型的選擇與使用

在選擇具體的推薦算法前先了解一下關(guān)聯(lián)規(guī)則的概念，它是一種形如X →Y 的蘊(yùn)含式，X 為關(guān)聯(lián)規(guī)則的先導(dǎo)，Y 為關(guān)聯(lián)規(guī)則的后繼。其主要是利用兩個(gè)指標(biāo)即：支持度和置信度來挖掘出有價(jià)值的數(shù)據(jù)項(xiàng)之間的關(guān)系。在對(duì)數(shù)據(jù)中有價(jià)值的信息進(jìn)行挖掘時(shí)有著舉足輕重的作用。選擇Apriori 算法來完成推薦模型的構(gòu)建是因?yàn)槠鋵儆谝环N較經(jīng)典的挖掘頻繁項(xiàng)集和關(guān)聯(lián)規(guī)則的數(shù)據(jù)挖掘算法，是構(gòu)建智能推薦模型算法的不二之選。又因推薦結(jié)果的準(zhǔn)確性較高，能夠大幅度提高用戶使用產(chǎn)品的幸福感，從而解決用戶的痛點(diǎn)問題。因此選擇Apriori 算法作為本次模型創(chuàng)建的主要工具。

3.3 算法的構(gòu)建與求解

將采集到的數(shù)據(jù)通過Python 的Numpy 庫(kù)與Pandas 庫(kù)進(jìn)行預(yù)處理后得出表1 中部分構(gòu)建模型所使用的數(shù)據(jù)，并通過算法代碼實(shí)現(xiàn)推薦功能。

首先通過表1 數(shù)據(jù)計(jì)算出每個(gè)候選項(xiàng)的支持度，由此得出1 項(xiàng)頻繁集。重復(fù)該過程，得出圖2 中2 項(xiàng)頻繁集、3 項(xiàng)頻繁集直到N 項(xiàng)頻繁集的支持度。獲得頻繁項(xiàng)集后再計(jì)算每個(gè)頻繁項(xiàng)集的置信度，而后需要對(duì)置信度進(jìn)行篩選得到表2 中的最終相關(guān)置信度。至此得到表3 關(guān)聯(lián)性分析結(jié)果。

表2 各項(xiàng)集置信度

表3 關(guān)聯(lián)性分析結(jié)果

3.4 模型結(jié)果的分析與總結(jié)

通過將本文數(shù)據(jù)導(dǎo)入Apriori 算法模型與普通回歸模型可知，經(jīng)過數(shù)據(jù)預(yù)處理、降維等操作后發(fā)現(xiàn)Apriori 算法模型效果在本文效果更好。

基于機(jī)器學(xué)習(xí)算法的Apriori 算法模型將會(huì)在智能推薦的應(yīng)用中，隨著科技的不斷發(fā)展，高新技術(shù)的不斷進(jìn)步得到進(jìn)一步推廣，但不排除在具體應(yīng)用的過程中會(huì)遇到一些困難。

就數(shù)據(jù)而言，如何確保使用數(shù)據(jù)的準(zhǔn)確性與有效性將是影響預(yù)測(cè)模型準(zhǔn)確率的極大因素。當(dāng)數(shù)據(jù)特征值缺失或過多時(shí)，搭建的模型會(huì)出現(xiàn)結(jié)果過于片面，結(jié)果覆蓋范圍不夠，預(yù)測(cè)值不夠準(zhǔn)確等情況。

就模型而言，如何選擇模型和如何搭建模型的過程對(duì)整個(gè)智能推薦系統(tǒng)有著舉足輕重的地位。如果只注重?cái)?shù)據(jù)是否完美，不重視模型的搭建，即使有完美至極的數(shù)據(jù)值也不會(huì)得到十分有效的結(jié)果，這樣的結(jié)果對(duì)實(shí)際的智能推薦也算沒有任何意義的。因此在數(shù)據(jù)完美的前提下選擇和搭建合適的模型顯得較有意義。

就結(jié)果而言，推薦結(jié)果是否精準(zhǔn)不僅僅是靠一次訓(xùn)練結(jié)果得到的，而是反復(fù)訓(xùn)練模型，反復(fù)調(diào)試程序以尋求更智能的結(jié)果。同時(shí)結(jié)果也要依靠數(shù)據(jù)、模型兩大因素相輔相成從而達(dá)到用戶預(yù)期推薦效果。