基于Python 人脸识别的公共自习资源调配研究

贺中浩，李旭霄，蒋跃，赵珺琪，刘梦奎，曹崴

（长春大学旅游学院，吉林长春，130607）

0 引言

随着当今社会的发展，公民文化程度的提升。面对公共自习资源数量一定的前提下，如何能提高公共自习资源的使用率和上座率是本次所要研究的重点内容。本次研究主要采用Python 人脸识别和机器学习技术来展开，其人脸识别技术在国内外的应用都极其广泛。目前我国人脸识别技术的应用重点侧重于考勤、安防和门禁这几大领域，该技术极大的提升了系统的响应速度，且在当今疫情时代的背景下能够有效避免过多的接触来降低感染病毒的概率。除此之外，在日常生活中，使用者可以在购物结账时选择支付宝或微信的刷脸支付，省去再打开手机支付的步骤，从而解放我们的双手。在此背景下，基于Python 人脸识别的技术能够合理的运用到公共自习资源的调配上。

1 人脸识别是解决公共自习资源调配[1]的重要方法

传统的公共自习资源调配存在分配不均、资源利用率不高等问题，依靠传统的分配经验很难解决非技术性问题，且不能将资源的利用率最大化。故通过人脸识别、机器学习模型等方法进行入场人员的筛选，克服传统占座的“陋习”。同时也提高了场馆的安全性与可控性，避免一切不必要的事情发生。最终人脸识别技术成为公共自习资源调配的重要方法。

近年来，国内的人脸识别技术[2]发展突飞猛进，此技术在日常生活中的运用也较为普遍：中国铁路集团将传统的取票进站技术更新为刷脸、刷身份证进站。不仅节省了乘客的进站时间，而且符合当今社会下可持续发展的战略，节约了车票纸张这种耗材的使用。进一步的规范了实名购票的政策，杜绝了黄牛倒票现象的出现。这种跨时代技术的应用为中国铁路集团解决了较多传统难以解决的问题。

虽然国内已有一些对人脸识别技术应用较成熟的公司，但在面对公共自习资源调配的问题上毫无涉及，因此这是一个亟待解决的巨大宝藏。又因有较多前辈对该技术的不断付出，后生才能轻松应用到这一宝藏中。同时我们也将秉承“智能化、自动化、成熟化”的原则不断探索与更新。

2 基于微信小程序的智能微服务平台

为解决传统自习室难管理、难服务的两大难题，本文将选择日常生活中使用率、覆盖率高达百分之九十五的社交软件——微信平台使自习室变得智能化、现代化。同时经调查显示，当年轻人在面对一个非刚需的新APP 时，产生下载的欲望基本为0；而当其面对一个非刚需的新小程序时，内心的好奇心会驱使自身打开看看。因此，基于微信小程序的智能微服务平台就此诞生。

自2017 年微信小程序上线以来，已有超过150 万开发者加入到微信小程序的开发，应用数量也超过了一百万，日活用户高达两亿。在如此惊人的数字背景下，微信小程序作为一种不需要下载安装、即用即走、线上线下精准连接的平台深受当代年轻人的喜爱。通过图1 中小程序的开发流程即可实现将小程序应用到传统自习室[3]中，解决传统自习室的难题。使用户做到足不出户查看相关数据、实现相关功能。例如：座位余量、使用时长、线上预约、线上取消等等方面。

智能微服务平台的诞生搭配入口处的人脸识别闸机对于自习室管理员来说，能够通过后台数据精准确定入场人员、高效地统计学习时长、极大的提高自习室的安全性、有效的降低危险发生的可能性，大大减轻了自身的工作量。

对于用户而言，将传统自习室实现智能化、可视化后，不仅解决了自身入座难的问题，而且提高了自习室的上座率和使用率，减少了自习室出现“鬼室”的情况。实时预约、实时显示的功能将会为用户提供方便快捷的选座服务，与传统的排队占座说不。

传统自习室在加入智能微服务平台后，将会使其变为一个充满爱与温度的空间。用户通过使用平台的过程中能深切实际的感受到该平台的便捷性，有助于提高用户去自习室的积极性。最终实现对此平台的开发初衷。

3 基于Apriori 算法构建自习座位的智能推荐模型

3.1 业务需求理解与解析

在互联网时代呈爆炸式增长的今天，用户在对互联网知识的理解程度不断提升、新时代产品持续应用的前提下，在面临生活中的各种选择时，难免会产生选择困难症。在对产品安全性、易用性、全面性等要求不断提高的前提下，加强用户的体验感与实际使用感，提高用户使用产品的幸福感。本文针对上述目标构建出基于Apriori 算法[5]的智能推荐模型，从而解决用户难选择、选择难的痛点问题。通过记录大部分用户所选择自习座位的行为特征，对未来用户再次进入自习室所选择的座位进行推荐，并将推荐模型结果实时显示在产品屏幕上，为具有选择困难症的用户提供较为简单且有依据的帮助。

3.2 模型的选择与使用

在选择具体的推荐算法前先了解一下关联规则的概念，它是一种形如X →Y 的蕴含式，X 为关联规则的先导，Y 为关联规则的后继。其主要是利用两个指标即：支持度和置信度来挖掘出有价值的数据项之间的关系。在对数据中有价值的信息进行挖掘时有着举足轻重的作用。选择Apriori 算法来完成推荐模型的构建是因为其属于一种较经典的挖掘频繁项集和关联规则的数据挖掘算法，是构建智能推荐模型算法的不二之选。又因推荐结果的准确性较高，能够大幅度提高用户使用产品的幸福感，从而解决用户的痛点问题。因此选择Apriori 算法作为本次模型创建的主要工具。

3.3 算法的构建与求解

将采集到的数据通过Python 的Numpy 库与Pandas 库进行预处理后得出表1 中部分构建模型所使用的数据，并通过算法代码实现推荐功能。

首先通过表1 数据计算出每个候选项的支持度，由此得出1 项频繁集。重复该过程，得出图2 中2 项频繁集、3 项频繁集直到N 项频繁集的支持度。获得频繁项集后再计算每个频繁项集的置信度，而后需要对置信度进行筛选得到表2 中的最终相关置信度。至此得到表3 关联性分析结果。

表2 各项集置信度

表3 关联性分析结果

3.4 模型结果的分析与总结

通过将本文数据导入Apriori 算法模型与普通回归模型可知，经过数据预处理、降维等操作后发现Apriori 算法模型效果在本文效果更好。

基于机器学习算法的Apriori 算法模型将会在智能推荐的应用中，随着科技的不断发展，高新技术的不断进步得到进一步推广，但不排除在具体应用的过程中会遇到一些困难。

就数据而言，如何确保使用数据的准确性与有效性将是影响预测模型准确率的极大因素。当数据特征值缺失或过多时，搭建的模型会出现结果过于片面，结果覆盖范围不够，预测值不够准确等情况。

就模型而言，如何选择模型和如何搭建模型的过程对整个智能推荐系统有着举足轻重的地位。如果只注重数据是否完美，不重视模型的搭建，即使有完美至极的数据值也不会得到十分有效的结果，这样的结果对实际的智能推荐也算没有任何意义的。因此在数据完美的前提下选择和搭建合适的模型显得较有意义。

就结果而言，推荐结果是否精准不仅仅是靠一次训练结果得到的，而是反复训练模型，反复调试程序以寻求更智能的结果。同时结果也要依靠数据、模型两大因素相辅相成从而达到用户预期推荐效果。