在顶点课程中我们组被分配到一个非营利机构，这个机构帮助青年学生和科技领域中的专业人士建立联系，目的在于提升在校学生对科技产业的参与度（译者注：顶点课程capstone project是美国大学高年级学生的环节，类似于中国大学的毕业设计）。学生要和导师（专业人士）配对，导师与学生会面并带他们了解这个行业。每次会面后，学生和导师都需要对会面进行评分。满分是5分，1分是最低分。
这个机构根据学生的评分来衡量会面是否成功，因此他们想了解哪些特征和变量会提升评分。一旦有这些东西，我们就可以构建一个算法来匹配学生和导师，并生成一个在线图表界面进行可视化展示。
我们计划用Python完成算法和实现展示。 首先，我们进行数据清洗并定义语料库（Corpus），随后借助逻辑回归来识别重要特征，接着我们构建了匹配得分和分配算法，最终将所有内容打包并放到Flask图表界面中。
数据清洗和生成语料库
数据集由80多个特征组成，但是我们要尽量减少特征，最后选择了25个最重要的特征。数据集中的数值型数据相对干净，但字符型数据比较乱，需要对数据进行标准化处理。
我们对输入文本进行了自然语言处理。首先将所有用户的文本字段汇总在一起；随后用Python中的NLTK包进行分词；接着我们去掉了其中的表情符号、终止词和标点，并对剩余的词进行词形还原。300余名用户的原始单词集中有81000个词汇，在文字处理后，词汇数量减少到了54000个。最后，我们统计每个单词在数据集中出现的频数并删除出现次数少于5次的单词。最终，唯一的词汇列表形成语料库。
用同样的方式，进一步得到每个用户的经语料库过滤的关键词列表。
筛选重要特征
为了确定哪些变量对满分评价有更大贡献，我们对18个特征进行逻辑回归。结果显示word_count, tech_common, and tech_common:stud_experience_o是影响最显著的变量。其中word_count是学生和导师共同使用的单词的数量；tech_common是一个布尔值，当学生和导师有相同的技术兴趣时，它的值为True；tech_common:stud_experience_o是一个变量，这个变量结合了tech_common的效果还有学生已达到的教育水平。
结果在我们预料之中，因为有更多相同的关键字意味着学生和导师有更多的共同话题。更有可能获得有趣的交流，使学生更倾向给会面打高分。
匹配得分和分配算法
匹配算法包括确定所有可能配对的得分和分配逻辑两个部分。我们既可以通过逻辑回归，也可以通过K-近邻(KNN)来计算匹配得分。
逻辑回归的公式会计算一个0到1之间的值，这是得到目标结果的概率，在本案例中是得到5星评价的概率。我们的目标当然是得到更高的概率。计算所有可能配对的得分并将其放到矩阵中。数据格式化的方式很重要，因为它将生成输入配对算法的原始数据。
现在我们将通过K-近邻算法计算得分。对第二部分中的每个用户制作关键词列表，这将成为K-近邻计算得分的输入。
如上所示，针对每个用户都会生成一个二维矩阵，其中每列是用户产生的关键词，每个用户都是索引。用户和其他用户是否有共同词汇将通过0和1表示。这个矩阵将作为K-近邻函数的输入，随后得到一个代表两个人之间距离的值。两个人之间的共同词汇越多，这个值就越低。我们对这个值进行标准化处理，使其值在0到1之间。这意味着一个人和他自己的距离是0；如果另一个人和他没有任何匹配单词，则两个人的距离为1。
使用所有可能配对的分数矩阵来计算基于特定条件的可能配对。例如，为了见面方便，我们希望学生和导师来自同一个城市。首先用最严格的条件集合。如果没有找到匹配得结果。条件逐步放松，直到最终只剩下一个条件。
一个用户可能有多个相同最佳得分的匹配结果。我们通过随机抽样来进行配对。我们使用蒙特卡洛模拟来进行随机配对，进而得到给定的学生群体的最佳匹配集。
Flask图表界面
图表界面会显示每批次数据，排名分布，常用关键词词云，以及每个用户的关键词列表。此外，还有一个区域可以查看最佳匹配结果。图表界面使用了Jupyter notebook的结构，后端是Python代码，可以生成CSV文件，这个CSV文件进而在前端Flask中处理。
原文发布时间为：2018-05-17
本文作者：数据派
