基于協同過濾算法的志愿者服務平臺的實現

趙雨帆　郭夢潔

摘 要：本文基于協同過濾算法，設計了一款志愿者服務平臺。該志愿者服務平臺能夠較好地解決當今志愿者行業活動信息雜亂、低志愿者服務平臺效管理、活動匹配不當三大核心問題。與現有的服務平臺相比，本文設計的志愿者服務平臺極大地縮減了用戶搜尋和查找的時間，幫助用戶更好地參與志愿者活動，具有一定的實用價值。

關鍵詞：協同過濾算法;志愿者服務平臺;用戶相似度

中圖分類號：TP393.09文獻標識碼：A文章編號：1003-5168（2021）11-0014-03

Implementation of Volunteer Service Platform Based on

Collaborative Filtering Algorithm

ZHAO Yufan GUO Mengjie

（International Education College， Henan University，Kaifeng Henan 475004）

Abstract： This paper designed a volunteer service platform based on collaborative filtering algorithm. The volunteer service platform can better solve the three core problems of today's volunteer industry activities： disordered information， inefficient management and improper matching of activities. Compared with the existing service platform， it greatly reduces the user search and search time， and helps users better participate in volunteer activities， which has a certain practical value.

Keywords： collaborative filtering algorithm;volunteer service platform;user similarity

志愿者服務對個人和社會的發展起著促進作用，如今越來越多的人關注并參與志愿者服務活動。但當前的志愿者服務行業存在活動信息雜亂、志愿者流動性大、活動匹配不當、浪費資源等問題。如何幫助志愿者在海量數據中尋找可靠的信息成為需要解決的主要問題。

目前，電子商務行業會根據用戶興趣進行推薦，促進潛在用戶的增加，有效提高其購買力。例如：亞馬遜、京東等都利用相關算法推薦用戶感興趣的信息來提高其銷售成績[1]。推薦算法在電商的廣泛應用引起了人們的思考。傳統的志愿者服務平臺對活動的查找依賴于用戶對其所需服務的精準描述，且不同的用戶會得到相同的結果。然而，推薦系統通過分析用戶的歷史行為就可以挖掘到用戶所需要的信息，為用戶提供個性化服務。

1 協同過濾算法分析

1.1 協同過濾算法

互聯網技術的飛速發展為人們帶來了海量的數據信息，一方面導致用戶對信息的搜尋和處理變得更加困難;另一方面，有用的信息被信息海洋稀釋，用戶與內容生產者之間的區隔越發明顯。一個優秀的推薦系統能為用戶提供個性化服務。協同過濾算法是在眾多信息過濾技術中最受人們歡迎的。協同過濾算法分為基于用戶的協同過濾算法UserCF和基于物品的協同過濾算法ItemCF。基于用戶的協同過濾算法是通過用戶歷史行為數據來推薦與該用戶興趣相似的其他用戶所喜歡的物品。基于物品的協同過濾算法與基于用戶的協同過濾算法相類似，只是將商品和用戶角色互換，通過計算其他用戶對物品的評分獲得到物品之間的聯系，再利用物品之間的相似度對該用戶進行相似物品的推薦。協同過濾算法最大的優點是對推薦的對象沒有特殊要求，可以處理非結構化的復雜對象。協同過濾算法提供個性化的推薦是根據用戶的相似度，而不是物品的客觀屬性，因此，它可以過濾任何類型的物品，如電影、音樂、文本等[2]。由于本志愿者服務平臺的實現只使用了基于用戶的協同過濾算法，因此下文只分析基于用戶的協同過濾算法。

1.2 基于用戶的協同過濾算法

協同過濾算法是推薦系統中最常用的個性化推薦方法之一，并且基于用戶的協同過濾算法的核心組件是相似性度量[3]。傳統的基于用戶的協同過濾算法是根據其他用戶的偏好向目標用戶推薦，首先找到一組與目標用戶具有相同偏好的鄰居用戶，然后對鄰居用戶進行分析，向目標用戶[4]推薦鄰居用戶最喜歡的商品。此算法主要分為兩個步驟：第一，計算目標用戶與其他用戶之間的相似度，并找到相似用戶集合[A];第二，找到集合[A]中的相似用戶所喜歡的物品集合[B]，將集合[B]中未被目標用戶所瀏覽的物品推送給目標用戶。

1.3 余弦相似度

余弦相似度是通過計算兩個向量的夾角余弦值來衡量其相似性的。其中，余弦值的范圍在[-1，1]，余弦值越趨近于1，表示兩個向量越相似。在協同過濾算法中，每一個用戶評分都被視作空間上的向量，該算法通過計算向量之間的余弦值來判斷不同用戶之間的相似度。現給定用戶U和用戶V，令[N（U）]和[N（V）]分別表示他們喜歡的物品集合，將余弦相似度公式列出：

[WUV=|NU?NV||NU||NV|] ? ? ? ? ? ? ? ? ? ? （1）

2 系統設計

2.1 內容模塊

本文提出的志愿者服務平臺實施流程分為四步：①個人信息儲存，用戶進行信息注冊后，進行活動類型測試;②平臺基于算法推送相對應的志愿者活動信息，用戶選擇適合的活動加入;③雙向溝通管理，參加活動的用戶自動在板塊內組建群聊;④活動信息和人員變更進行實時更新。結束后，平臺自動記錄每一位志愿者對應的誠信檔案和活動表現，并將其儲存在數據庫中，作為獎勵和處罰的依據，幫助活動方審核志愿者的信譽度和完成度。此外，板塊內設置了志愿者服務知識答題競賽等內容，用戶可以在板塊內進行趣味測試以增加知識儲備。總體流程如圖1所示。

該平臺的最終目的是實現志愿者招募、管理、分配三步一體化，并有效解決當前志愿者服務行業存在的活動信息雜亂，志愿者流動性大;低效管理，浪費資源;活動匹配不當，素質水平不均等問題。通過全面覆蓋志愿者活動流程，重點解決管理、分配難題，平臺將建立起一套行之有效的志愿者服務體制，廣泛招募優秀的志愿者，以擴大志愿者資源庫。

2.2 實施運行的代碼

以下為實施運行的關鍵代碼：

similarity_dic = {}

similarity_dic[currentUserid] = 0

for userid， items in data_dic.items（）：

if currentUserid ！= userid：

temp = 0

temp2 = 0

temp3 = 0

for itemid， rating in data_dic[currentUserid].items（）：

if itemid in items.keys（）：

temp += float（rating） * float（items[itemid]）

temp2 += pow（float（rating）， 2）

temp3 += pow（float（items[itemid]）， 2）

distance = 0

if temp2 == 0 or temp3 == 0：

distance = 0

else：

distance = temp / （sqrt（temp2） * sqrt（temp3））

similarity_dic[userid] = distance

return similarity_dic

3 平臺有效性檢驗

為了驗證基于協同過濾算法的志愿者服務平臺的有效性，本文抽取50名用戶進行問卷調查，著重提問了本平臺推送成功率以及用戶的滿意度等問題。其中，98%的用戶表示通過該平臺匹配到了合適的活動內容，2%的用戶表示活動內容過于困難，自身能力有待提高。此外，分別選取活動前、活動中、活動后三個時間段對50名志愿者、20名管理者、20名策劃人進行滿意度調查，調查的效果見圖2。從結果來看，三方人員都表示該系統表現良好。

3 結語

本文依據協同過濾算法的相關技術，構建了志愿者服務平臺，以解決志愿者活動信息雜亂、低效管理、活動匹配不當三大問題。在未來的應用中，將優化算法，綜合構建用戶興趣模型，進一步提高推薦系統性能和推薦精度[5]。

參考文獻：

[1]蔣宗禮，于莉.基于用戶特征的協同過濾推薦算法[J].計算機系統應用，2019 （8）：190-196.

[2]秦育華.基于Python的用戶協同過濾推薦系統的研究與實現[J].電腦知識與技術，2020（31）：234-236.

[3]ZOU Z ， WANG Z ， ZHANG S ， et al. An improved user-based collaborative filtering algorithm[C]// 2018 14th International Conference on Natural Computation， Fuzzy Systems and Knowledge Discovery （ICNC-FSKD）. 2018.

[4] KARYPIS G.Evaluation of Item-Based Top-N Recommendation Algorithms[C]// 10th International Conference on Information and Knowledge Management. University of Minnesota， Department of Computer Science and Army HPC Research Center， Minneapolis， MN 55455. Atlanta， USA， 2001：247-254.

[5]迪盼祺，夏春明，王憶勤，等.基于協同過濾算法的中醫智能問診系統研究[J].世界科學技術-中醫藥現代化，2021（1）：247-255.