趙雨帆　郭夢(mèng)潔

摘 要：本文基于協(xié)同過濾算法，設(shè)計(jì)了一款志愿者服務(wù)平臺(tái)。該志愿者服務(wù)平臺(tái)能夠較好地解決當(dāng)今志愿者行業(yè)活動(dòng)信息雜亂、低志愿者服務(wù)平臺(tái)效管理、活動(dòng)匹配不當(dāng)三大核心問題。與現(xiàn)有的服務(wù)平臺(tái)相比，本文設(shè)計(jì)的志愿者服務(wù)平臺(tái)極大地縮減了用戶搜尋和查找的時(shí)間，幫助用戶更好地參與志愿者活動(dòng)，具有一定的實(shí)用價(jià)值。

關(guān)鍵詞：協(xié)同過濾算法;志愿者服務(wù)平臺(tái);用戶相似度

中圖分類號(hào)：TP393.09文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：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(wù)對(duì)個(gè)人和社會(huì)的發(fā)展起著促進(jìn)作用，如今越來越多的人關(guān)注并參與志愿者服務(wù)活動(dòng)。但當(dāng)前的志愿者服務(wù)行業(yè)存在活動(dòng)信息雜亂、志愿者流動(dòng)性大、活動(dòng)匹配不當(dāng)、浪費(fèi)資源等問題。如何幫助志愿者在海量數(shù)據(jù)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(wù)行業(yè)會(huì)根據(jù)用戶興趣進(jìn)行推薦，促進(jìn)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(guān)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(yīng)用引起了人們的思考。傳統(tǒng)的志愿者服務(wù)平臺(tái)對(duì)活動(dòng)的查找依賴于用戶對(duì)其所需服務(wù)的精準(zhǔn)描述，且不同的用戶會(huì)得到相同的結(jié)果。然而，推薦系統(tǒng)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(gè)性化服務(wù)。

1 協(xié)同過濾算法分析

1.1 協(xié)同過濾算法

互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展為人們帶來了海量的數(shù)據(jù)信息，一方面導(dǎo)致用戶對(duì)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(nèi)容生產(chǎn)者之間的區(qū)隔越發(fā)明顯。一個(gè)優(yōu)秀的推薦系統(tǒng)能為用戶提供個(gè)性化服務(wù)。協(xié)同過濾算法是在眾多信息過濾技術(shù)中最受人們歡迎的。協(xié)同過濾算法分為基于用戶的協(xié)同過濾算法UserCF和基于物品的協(xié)同過濾算法ItemCF。基于用戶的協(xié)同過濾算法是通過用戶歷史行為數(shù)據(jù)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(xié)同過濾算法與基于用戶的協(xié)同過濾算法相類似，只是將商品和用戶角色互換，通過計(jì)算其他用戶對(duì)物品的評(píng)分獲得到物品之間的聯(lián)系，再利用物品之間的相似度對(duì)該用戶進(jìn)行相似物品的推薦。協(xié)同過濾算法最大的優(yōu)點(diǎn)是對(duì)推薦的對(duì)象沒有特殊要求，可以處理非結(jié)構(gòu)化的復(fù)雜對(duì)象。協(xié)同過濾算法提供個(gè)性化的推薦是根據(jù)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(wù)平臺(tái)的實(shí)現(xiàn)只使用了基于用戶的協(xié)同過濾算法，因此下文只分析基于用戶的協(xié)同過濾算法。

1.2 基于用戶的協(xié)同過濾算法

協(xié)同過濾算法是推薦系統(tǒng)中最常用的個(gè)性化推薦方法之一，并且基于用戶的協(xié)同過濾算法的核心組件是相似性度量[3]。傳統(tǒng)的基于用戶的協(xié)同過濾算法是根據(jù)其他用戶的偏好向目標(biāo)用戶推薦，首先找到一組與目標(biāo)用戶具有相同偏好的鄰居用戶，然后對(duì)鄰居用戶進(jìn)行分析，向目標(biāo)用戶[4]推薦鄰居用戶最喜歡的商品。此算法主要分為兩個(gè)步驟：第一，計(jì)算目標(biāo)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(biāo)用戶所瀏覽的物品推送給目標(biāo)用戶。

1.3 余弦相似度

余弦相似度是通過計(jì)算兩個(gè)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(gè)向量越相似。在協(xié)同過濾算法中，每一個(gè)用戶評(píng)分都被視作空間上的向量，該算法通過計(jì)算向量之間的余弦值來判斷不同用戶之間的相似度?，F(xiàn)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(tǒng)設(shè)計(jì)

2.1 內(nèi)容模塊

本文提出的志愿者服務(wù)平臺(tái)實(shí)施流程分為四步：①個(gè)人信息儲(chǔ)存，用戶進(jìn)行信息注冊(cè)后，進(jìn)行活動(dòng)類型測(cè)試;②平臺(tái)基于算法推送相對(duì)應(yīng)的志愿者活動(dòng)信息，用戶選擇適合的活動(dòng)加入;③雙向溝通管理，參加活動(dòng)的用戶自動(dòng)在板塊內(nèi)組建群聊;④活動(dòng)信息和人員變更進(jìn)行實(shí)時(shí)更新。結(jié)束后，平臺(tái)自動(dòng)記錄每一位志愿者對(duì)應(yīng)的誠信檔案和活動(dòng)表現(xiàn)，并將其儲(chǔ)存在數(shù)據(jù)庫中，作為獎(jiǎng)勵(lì)和處罰的依據(jù)，幫助活動(dòng)方審核志愿者的信譽(yù)度和完成度。此外，板塊內(nèi)設(shè)置了志愿者服務(wù)知識(shí)答題競(jìng)賽等內(nèi)容，用戶可以在板塊內(nèi)進(jìn)行趣味測(cè)試以增加知識(shí)儲(chǔ)備。總體流程如圖1所示。

該平臺(tái)的最終目的是實(shí)現(xiàn)志愿者招募、管理、分配三步一體化，并有效解決當(dāng)前志愿者服務(wù)行業(yè)存在的活動(dòng)信息雜亂，志愿者流動(dòng)性大;低效管理，浪費(fèi)資源;活動(dòng)匹配不當(dāng)，素質(zhì)水平不均等問題。通過全面覆蓋志愿者活動(dòng)流程，重點(diǎn)解決管理、分配難題，平臺(tái)將建立起一套行之有效的志愿者服務(wù)體制，廣泛招募優(yōu)秀的志愿者，以擴(kuò)大志愿者資源庫。

2.2 實(shí)施運(yùn)行的代碼

以下為實(shí)施運(yùn)行的關(guān)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(tái)有效性檢驗(yàn)

為了驗(yàn)證基于協(xié)同過濾算法的志愿者服務(wù)平臺(tái)的有效性，本文抽取50名用戶進(jìn)行問卷調(diào)查，著重提問了本平臺(tái)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(tái)匹配到了合適的活動(dòng)內(nèi)容，2%的用戶表示活動(dòng)內(nèi)容過于困難，自身能力有待提高。此外，分別選取活動(dòng)前、活動(dòng)中、活動(dòng)后三個(gè)時(shí)間段對(duì)50名志愿者、20名管理者、20名策劃人進(jìn)行滿意度調(diào)查，調(diào)查的效果見圖2。從結(jié)果來看，三方人員都表示該系統(tǒng)表現(xiàn)良好。

3 結(jié)語

本文依據(jù)協(xié)同過濾算法的相關(guān)技術(shù)，構(gòu)建了志愿者服務(wù)平臺(tái)，以解決志愿者活動(dòng)信息雜亂、低效管理、活動(dòng)匹配不當(dāng)三大問題。在未來的應(yīng)用中，將優(yōu)化算法，綜合構(gòu)建用戶興趣模型，進(jìn)一步提高推薦系統(tǒng)性能和推薦精度[5]。

參考文獻(xiàn)：

[1]蔣宗禮，于莉.基于用戶特征的協(xié)同過濾推薦算法[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2019 （8）：190-196.

[2]秦育華.基于Python的用戶協(xié)同過濾推薦系統(tǒng)的研究與實(shí)現(xiàn)[J].電腦知識(shí)與技術(shù)，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(xié)同過濾算法的中醫(yī)智能問診系統(tǒng)研究[J].世界科學(xué)技術(shù)-中醫(yī)藥現(xiàn)代化，2021（1）：247-255.