基于Python 人臉識別的公共自習資源調配研究

賀中浩，李旭霄，蔣躍，趙珺琪，劉夢奎，曹崴

（長春大學旅游學院，吉林長春，130607）

0 引言

隨著當今社會的發展，公民文化程度的提升。面對公共自習資源數量一定的前提下，如何能提高公共自習資源的使用率和上座率是本次所要研究的重點內容。本次研究主要采用Python 人臉識別和機器學習技術來展開，其人臉識別技術在國內外的應用都極其廣泛。目前我國人臉識別技術的應用重點側重于考勤、安防和門禁這幾大領域，該技術極大的提升了系統的響應速度，且在當今疫情時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，使用者可以在購物結賬時選擇支付寶或微信的刷臉支付，省去再打開手機支付的步驟，從而解放我們的雙手。在此背景下，基于Python 人臉識別的技術能夠合理的運用到公共自習資源的調配上。

1 人臉識別是解決公共自習資源調配[1]的重要方法

傳統的公共自習資源調配存在分配不均、資源利用率不高等問題，依靠傳統的分配經驗很難解決非技術性問題，且不能將資源的利用率最大化。故通過人臉識別、機器學習模型等方法進行入場人員的篩選，克服傳統占座的“陋習”。同時也提高了場館的安全性與可控性，避免一切不必要的事情發生。最終人臉識別技術成為公共自習資源調配的重要方法。

近年來，國內的人臉識別技術[2]發展突飛猛進，此技術在日常生活中的運用也較為普遍：中國鐵路集團將傳統的取票進站技術更新為刷臉、刷身份證進站。不僅節省了乘客的進站時間，而且符合當今社會下可持續發展的戰略，節約了車票紙張這種耗材的使用。進一步的規范了實名購票的政策，杜絕了黃牛倒票現象的出現。這種跨時代技術的應用為中國鐵路集團解決了較多傳統難以解決的問題。

雖然國內已有一些對人臉識別技術應用較成熟的公司，但在面對公共自習資源調配的問題上毫無涉及，因此這是一個亟待解決的巨大寶藏。又因有較多前輩對該技術的不斷付出，后生才能輕松應用到這一寶藏中。同時我們也將秉承“智能化、自動化、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平臺

為解決傳統自習室難管理、難服務的兩大難題，本文將選擇日常生活中使用率、覆蓋率高達百分之九十五的社交軟件——微信平臺使自習室變得智能化、現代化。同時經調查顯示，當年輕人在面對一個非剛需的新APP 時，產生下載的欲望基本為0；而當其面對一個非剛需的新小程序時，內心的好奇心會驅使自身打開看看。因此，基于微信小程序的智能微服務平臺就此誕生。

自2017 年微信小程序上線以來，已有超過150 萬開發者加入到微信小程序的開發，應用數量也超過了一百萬，日活用戶高達兩億。在如此驚人的數字背景下，微信小程序作為一種不需要下載安裝、即用即走、線上線下精準連接的平臺深受當代年輕人的喜愛。通過圖1 中小程序的開發流程即可實現將小程序應用到傳統自習室[3]中，解決傳統自習室的難題。使用戶做到足不出戶查看相關數據、實現相關功能。例如：座位余量、使用時長、線上預約、線上取消等等方面。

智能微服務平臺的誕生搭配入口處的人臉識別閘機對于自習室管理員來說，能夠通過后臺數據精準確定入場人員、高效地統計學習時長、極大的提高自習室的安全性、有效的降低危險發生的可能性，大大減輕了自身的工作量。

對于用戶而言，將傳統自習室實現智能化、可視化后，不僅解決了自身入座難的問題，而且提高了自習室的上座率和使用率，減少了自習室出現“鬼室”的情況。實時預約、實時顯示的功能將會為用戶提供方便快捷的選座服務，與傳統的排隊占座說不。

傳統自習室在加入智能微服務平臺后，將會使其變為一個充滿愛與溫度的空間。用戶通過使用平臺的過程中能深切實際的感受到該平臺的便捷性，有助于提高用戶去自習室的積極性。最終實現對此平臺的開發初衷。

3 基于Apriori 算法構建自習座位的智能推薦模型

3.1 業務需求理解與解析

在互聯網時代呈爆炸式增長的今天，用戶在對互聯網知識的理解程度不斷提升、新時代產品持續應用的前提下，在面臨生活中的各種選擇時，難免會產生選擇困難癥。在對產品安全性、易用性、全面性等要求不斷提高的前提下，加強用戶的體驗感與實際使用感，提高用戶使用產品的幸福感。本文針對上述目標構建出基于Apriori 算法[5]的智能推薦模型，從而解決用戶難選擇、選擇難的痛點問題。通過記錄大部分用戶所選擇自習座位的行為特征，對未來用戶再次進入自習室所選擇的座位進行推薦，并將推薦模型結果實時顯示在產品屏幕上，為具有選擇困難癥的用戶提供較為簡單且有依據的幫助。

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聯規則的概念，它是一種形如X →Y 的蘊含式，X 為關聯規則的先導，Y 為關聯規則的后繼。其主要是利用兩個指標即：支持度和置信度來挖掘出有價值的數據項之間的關系。在對數據中有價值的信息進行挖掘時有著舉足輕重的作用。選擇Apriori 算法來完成推薦模型的構建是因為其屬于一種較經典的挖掘頻繁項集和關聯規則的數據挖掘算法，是構建智能推薦模型算法的不二之選。又因推薦結果的準確性較高，能夠大幅度提高用戶使用產品的幸福感，從而解決用戶的痛點問題。因此選擇Apriori 算法作為本次模型創建的主要工具。

3.3 算法的構建與求解

將采集到的數據通過Python 的Numpy 庫與Pandas 庫進行預處理后得出表1 中部分構建模型所使用的數據，并通過算法代碼實現推薦功能。

首先通過表1 數據計算出每個候選項的支持度，由此得出1 項頻繁集。重復該過程，得出圖2 中2 項頻繁集、3 項頻繁集直到N 項頻繁集的支持度。獲得頻繁項集后再計算每個頻繁項集的置信度，而后需要對置信度進行篩選得到表2 中的最終相關置信度。至此得到表3 關聯性分析結果。

表2 各項集置信度

表3 關聯性分析結果

3.4 模型結果的分析與總結

通過將本文數據導入Apriori 算法模型與普通回歸模型可知，經過數據預處理、降維等操作后發現Apriori 算法模型效果在本文效果更好。

基于機器學習算法的Apriori 算法模型將會在智能推薦的應用中，隨著科技的不斷發展，高新技術的不斷進步得到進一步推廣，但不排除在具體應用的過程中會遇到一些困難。

就數據而言，如何確保使用數據的準確性與有效性將是影響預測模型準確率的極大因素。當數據特征值缺失或過多時，搭建的模型會出現結果過于片面，結果覆蓋范圍不夠，預測值不夠準確等情況。

就模型而言，如何選擇模型和如何搭建模型的過程對整個智能推薦系統有著舉足輕重的地位。如果只注重數據是否完美，不重視模型的搭建，即使有完美至極的數據值也不會得到十分有效的結果，這樣的結果對實際的智能推薦也算沒有任何意義的。因此在數據完美的前提下選擇和搭建合適的模型顯得較有意義。

就結果而言，推薦結果是否精準不僅僅是靠一次訓練結果得到的，而是反復訓練模型，反復調試程序以尋求更智能的結果。同時結果也要依靠數據、模型兩大因素相輔相成從而達到用戶預期推薦效果。