張傳一 黃迎春 蔣華萍 項(xiàng)子珂 胡海雷 張政陽

摘? 要：伴隨中國(guó)老齡化社會(huì)的逐步到來，利用大數(shù)據(jù)和人工智能技術(shù)匹配養(yǎng)老資源供給與居家養(yǎng)老需求成為亟待解決的問題。分析目前居家養(yǎng)老需求，建立居家養(yǎng)老服務(wù)數(shù)據(jù)模型，采用大數(shù)據(jù)技術(shù)構(gòu)建居家養(yǎng)老服務(wù)分類組別，提出居家養(yǎng)老服務(wù)復(fù)合判別分析算法，設(shè)計(jì)面向服務(wù)架構(gòu)的養(yǎng)老服務(wù)發(fā)現(xiàn)與推薦算法，采用爬取網(wǎng)絡(luò)數(shù)據(jù)和仿真生成數(shù)據(jù)相結(jié)合方式驗(yàn)證了所提出算法的有效性。

關(guān)鍵詞：居家養(yǎng)老? 判別分析? 服務(wù)推薦算法? 面向服務(wù)架構(gòu)

中圖分類號(hào)：D669.6? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-3791（2021）05（b）-0019-05

Abstract： With the gradual arrival of Chinese aging society， it is an urgent problem to use big data and artificial intelligence technology to match the supply of old-age care resources and the demand for home-based old-age care. Analysis of the current home-based care services， the data model of home-based care services is set up， using big data technology to build home endowment service classification categories， family endowment service composite discriminant analysis algorithm， design of service-oriented architecture endowment service discovery and recommendation algorithm， using crawl way of network data and simulation data generated to verify the effectiveness of the proposed algorithm.

Key Words： Home-based care; Discriminant analysis; Service recommendation algorithm; Service-oriented architecture

伴隨著中國(guó)老齡化社會(huì)的逐步到來，養(yǎng)老問題已經(jīng)成為亟待解決的社會(huì)問題。目前養(yǎng)老方式主要有集中式養(yǎng)老和社區(qū)居家養(yǎng)老兩種方式。居家養(yǎng)老是中國(guó)目前甚至是未來最主要的養(yǎng)老方式。目前的居家養(yǎng)老在信息技術(shù)的應(yīng)用上還存在許多問題，主要表現(xiàn)在社會(huì)養(yǎng)老資源供給與養(yǎng)老服務(wù)需求的不匹配問題，即：雖然存在很多網(wǎng)絡(luò)養(yǎng)老服務(wù)信息，但需要有效利用這些信息，對(duì)接居家養(yǎng)老服務(wù)供給與需求，滿足老人個(gè)性化的居家養(yǎng)老需求。為此，許多學(xué)者開展了這方面的研究，所建立的模型和方法雖然在養(yǎng)老服務(wù)匹配和推薦方面進(jìn)行了技術(shù)層面的探索，但在養(yǎng)老服務(wù)推薦的準(zhǔn)確性和有效性方面還需進(jìn)一步提高。因此，該文應(yīng)用大數(shù)據(jù)和人工智能技術(shù)開展了相關(guān)研究，建立了居家養(yǎng)老服務(wù)模型，提出了復(fù)合判別分析算法和服務(wù)發(fā)現(xiàn)與推薦算法。

1? 居家養(yǎng)老服務(wù)數(shù)據(jù)模型

為了能夠更好地對(duì)居家養(yǎng)老的老人所需的服務(wù)進(jìn)行服務(wù)判別、服務(wù)發(fā)現(xiàn)和服務(wù)推薦，參考智慧養(yǎng)老平臺(tái)的構(gòu)建準(zhǔn)則[1]和基于行形式化描述的個(gè)性養(yǎng)老主題服務(wù)樹模型[2]，建立了由老人基本信息、健康狀況、日常照料、醫(yī)療護(hù)理保健、精神咨詢慰藉、文體娛樂活動(dòng)、居家安全監(jiān)控和法律金融科技支持8類指標(biāo)數(shù)據(jù)模型，具體定義如下。

2? 養(yǎng)老服務(wù)需求判別分析

在獲取了影響?zhàn)B老服務(wù)需求的指標(biāo)數(shù)據(jù)后，可進(jìn)一步判別潛在的養(yǎng)老服務(wù)需求類型，該文提出一種基于大數(shù)據(jù)的養(yǎng)老服務(wù)需求復(fù)合判別分析方法。該方法首先采用大數(shù)據(jù)技術(shù)在可信的網(wǎng)站上爬取老人基本信息與養(yǎng)老服務(wù)需求的數(shù)據(jù)，然后建立養(yǎng)老服務(wù)分類組別，最后采用提出的復(fù)合判別分析方法對(duì)養(yǎng)老服務(wù)需求進(jìn)行判別分析。

大數(shù)據(jù)處理流程包括數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理與存儲(chǔ)、數(shù)據(jù)處理與分析、數(shù)據(jù)可視化、數(shù)據(jù)應(yīng)用等步驟。判別分析（Discriminant Analysis）是由費(fèi)舍爾（R.A.Fishe）在1936年提出的一種多元統(tǒng)計(jì)分析方法，該方法根據(jù)觀測(cè)到的一些指標(biāo)數(shù)據(jù)對(duì)所研究的對(duì)象進(jìn)行分類。與聚類分別方法不同，判別分析方法是在已知組別特征情況下對(duì)待判別的實(shí)例進(jìn)行分類。

針對(duì)養(yǎng)老服務(wù)需求，提出一種復(fù)合判別分析方法，該方法的基本思想是：在判別分析過程中綜合采用以下5種判別方法，如果這5種方法多數(shù)（至少3種）取得一致性的判別結(jié)果，則采用該結(jié)果;如果沒有多數(shù)結(jié)果一致，則根據(jù)訓(xùn)練數(shù)據(jù)返回錯(cuò)誤分類錯(cuò)誤率的估計(jì)誤差來輸出判別結(jié)果，該誤差是由組的先驗(yàn)概率加權(quán)的訓(xùn)練中被錯(cuò)誤分類的觀察的百分比，誤差最小的分類結(jié)果將被采納。參與復(fù)合分類的5種分類模型如下。

模型1（線性分類）：用協(xié)方差的匯總估計(jì)，擬合每個(gè)組的多元正態(tài)密度。

模型2（對(duì)角線性分類）：類似于線性分類模型，但是有一個(gè)對(duì)角協(xié)方差矩陣估計(jì)（樸素貝葉斯分類器）。

模型3（二次分類）：用組分層協(xié)方差估計(jì)擬合多元正態(tài)密度。

模型4（對(duì)角二次分類）：類似于二次分類模型，但具有對(duì)角協(xié)方差矩陣估計(jì)（樸素貝葉斯分類器）。

模型5（馬氏距離分類）：使用具有分層協(xié)方差估計(jì)的馬氏距離。

其中，線性分類法假定表征k組類別的隨機(jī)變量：

即各組的先驗(yàn)分布均為協(xié)方差矩陣相同的p元正態(tài)分布，此時(shí)由樣本得出的協(xié)方差矩陣聯(lián)合估計(jì)Σ;二次分類法也假設(shè)各組的先驗(yàn)分布均為p元正態(tài)分布，但協(xié)方差矩陣并不完全相同，此時(shí)可分別得出各個(gè)協(xié)方差矩陣的估計(jì)Σi，i=1 2 …，k;馬氏距離分類法的各組協(xié)方差矩陣不完全相等，此時(shí)分別得出分組的協(xié)方差矩陣的估計(jì)，其中馬氏距離是由印度統(tǒng)計(jì)學(xué)家馬哈拉諾比斯（Mahalanobis）引入的，以下為馬氏距離的定義：設(shè)Σ表示分類指標(biāo)的協(xié)方差矩陣，即

3? 基于SOA的養(yǎng)老服務(wù)發(fā)現(xiàn)與推薦算法

近年來，面向服務(wù)架構(gòu)（Service Oriented Architecture，SOA）呈現(xiàn)蓬勃發(fā)展趨勢(shì)，尤其隨著互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、云計(jì)算、大數(shù)據(jù)和人工智能技術(shù)的不斷發(fā)展和應(yīng)用，采用SOA架構(gòu)的Web服務(wù)、云服務(wù)、App服務(wù)等多種服務(wù)應(yīng)用越來越廣泛。將SOA及其相關(guān)技術(shù)應(yīng)用于居家養(yǎng)老服務(wù)對(duì)于提高服務(wù)發(fā)現(xiàn)、服務(wù)匹配和服務(wù)推薦等服務(wù)能力和質(zhì)量越來越重要。在參考助老服務(wù)App軟件中服務(wù)推薦策略[3]、供需主題畫像模型匹配養(yǎng)老服務(wù)推薦系統(tǒng)[4]、基于深度學(xué)習(xí)多目標(biāo)優(yōu)化養(yǎng)老服務(wù)推薦方法[5]以及家庭護(hù)理服務(wù)實(shí)踐測(cè)試結(jié)果[6]的基礎(chǔ)上，該文采用形式化方法表達(dá)居家養(yǎng)老服務(wù)，并設(shè)計(jì)服務(wù)發(fā)現(xiàn)與推薦策略以實(shí)現(xiàn)高效的養(yǎng)老服務(wù)資源整合。服務(wù)發(fā)現(xiàn)需建立在服務(wù)匹配的基礎(chǔ)上，下面給出服務(wù)匹配問題的定義。

定義9（服務(wù)匹配）給定一個(gè)服務(wù)需求集Q={q1，q2，…，qm }和服務(wù)候選集S={s1，s2，…，sn}，服務(wù)匹配定義為函數(shù)f：Q×S→[0，1]，使得f（qi，sj）作為衡量服務(wù)匹配程度的數(shù)量，其中：0≤f（qi，sj）≤1，f（qi，sj）=0表示服務(wù)完全不匹配，f（qi，sj）=1表示服務(wù)完全匹配。

在定義服務(wù)匹配的基礎(chǔ)上，服務(wù)發(fā)現(xiàn)采用基于社交媒體信息的語義服務(wù)發(fā)現(xiàn)框架，通過服務(wù)信息語義的相似度、流行度、活躍度和衰退度這4個(gè)特征作為服務(wù)發(fā)現(xiàn)的影響因素。這4個(gè)特征可分為功能性和非功能性兩種，其中相似度屬于功能性因素，流行度、活躍度和衰退度屬于非功能性因素，基于這些因素，設(shè)計(jì)了基于SOA的養(yǎng)老服務(wù)發(fā)現(xiàn)與推薦方法如下。

（1）對(duì)于功能性社交因素，利用潛語義索引（Latent Semantic Indexing，LSI）計(jì)算語義相似度。

（2）對(duì)于非功能性社交因素，即流行度、活躍度和衰退度，構(gòu)造相應(yīng)的評(píng)價(jià)函數(shù)對(duì)其進(jìn)行度量。

（3）將功能性因素和非功能性因素整合為加權(quán)的統(tǒng)一評(píng)價(jià)模型。

（4）對(duì)于給定的服務(wù)需求，基于統(tǒng)一評(píng)價(jià)模型整合功能性和非功能性因素，生成推薦結(jié)果。

潛語義索引（LSI）是一個(gè)將查詢需求輸入和待查文檔映射到同維度語義空間的模型，進(jìn)而計(jì)算二者的相似度。LSI通過奇異值分解將詞文檔矩陣Xt×d分解為3個(gè)矩陣的乘積，分別是詞矩陣Tt×n，奇異值矩陣Qn×n，以及文檔矩陣Dd×n，即：

式中，t為詞數(shù)量，d為文檔數(shù)量，n=min{t，d}。基于LSI模型服務(wù)需求輸入q與服務(wù)si之間的相似度函數(shù)如下：

式中，v為需求輸入或文檔在LSI模型中的詞向量。

在非功能因素中，流行度反映功能類似的兩個(gè)服務(wù)，用戶更傾向選擇的服務(wù)。由于不同服務(wù)的關(guān)注數(shù)量差異較大，為了將數(shù)據(jù)標(biāo)準(zhǔn)化，采用自然對(duì)數(shù)運(yùn)算定義流行度評(píng)價(jià)函數(shù)：

式中，nfi為服務(wù)si的關(guān)注數(shù)量;minf和maxf分別為所有服務(wù)中關(guān)注數(shù)量的最小值和最大值?；钴S度反映服務(wù)發(fā)布的頻率高低，與流行度的計(jì)算方式類似，以服務(wù)的發(fā)推數(shù)量定義服務(wù)的活躍度如下：

式中，nti代表服務(wù)si的發(fā)推數(shù)量，mint和maxt分別表示所有服務(wù)發(fā)推數(shù)量的最小值和最大值。衰減度用來動(dòng)態(tài)調(diào)整候選服務(wù)的權(quán)重，其定義如下：

式中，nli為包含服務(wù)si的列表數(shù)量，參數(shù)kd為列表數(shù)平均值的自然對(duì)數(shù)。

綜上所述，服務(wù)匹配函數(shù)定義為以上4個(gè)因素的線性組合：

輸入服務(wù)需求q和服務(wù)候選集S，采用函數(shù)f（q，si）計(jì)算服務(wù)匹配度，并生成降序的推的服務(wù)列表S={st1，st2，…，stn}。

4? 仿真分析

4.1 復(fù)合判別分析仿真分析

為了驗(yàn)證復(fù)合判別分析方法的有效性，采用Web爬取的數(shù)據(jù)和仿真數(shù)據(jù)生成相結(jié)合的方式生成了判別分析所需的測(cè)試數(shù)據(jù)集，進(jìn)一步通過數(shù)據(jù)裁剪和整理，基于Matlab語言的判別分析工具箱，實(shí)現(xiàn)了復(fù)合判別分析的仿真?；赪eb爬取數(shù)據(jù)與仿真數(shù)據(jù)的復(fù)合判別分析分類結(jié)果見圖1。

從圖1可以看出，采用復(fù)合判別分析方法能夠綜合5種判別分析結(jié)果，降低了僅使用一種判別算法的判別錯(cuò)誤概率。

4.2 服務(wù)發(fā)現(xiàn)與推薦算法的仿真分析

首先將定義3～8中列出的共計(jì)35種養(yǎng)老服務(wù)需求采用隨機(jī)數(shù)仿真的方法產(chǎn)生原始需求數(shù)據(jù)，如果老人對(duì)服務(wù)指標(biāo)點(diǎn)有服務(wù)需求，則該服務(wù)指標(biāo)需求量化為數(shù)值1，反之，則量化為數(shù)值0。然后對(duì)于有服務(wù)需求的指標(biāo)采用提出的服務(wù)發(fā)現(xiàn)與推薦算法進(jìn)行服務(wù)匹配與推薦計(jì)算。例如：假設(shè)某位老人的養(yǎng)老需求數(shù)據(jù)量化為序列Q={0 0 1 0 1 1 1 0 0 1 1 1 0 0 0 1 0 0 1 1 1 0 1 0 1 0 1 0 0 0 0 0 1 1 1}，序列Q有17個(gè)服務(wù)需求點(diǎn)的指標(biāo)為1，因此對(duì)這些服務(wù)需求點(diǎn)采用服務(wù)推薦算法計(jì)算服務(wù)匹配度，設(shè)服務(wù)候選集S={s1，s2，s3}，則該養(yǎng)老需求的服務(wù)推薦算法的計(jì)算結(jié)果見圖2。

根據(jù)圖2的結(jié)果，選取每個(gè)服務(wù)匹配度最大的服務(wù)形成的服務(wù)推薦集合為：{s2，s3，s2，s3，s3，s3，s1，s2，s1，s1，s2，s3，s3，s1，s3，s2，s1}。

5? 結(jié)語

該文在研究居家養(yǎng)老服務(wù)需求的基礎(chǔ)上，建立了居家養(yǎng)老服務(wù)需求系統(tǒng)數(shù)據(jù)模型，基于大數(shù)據(jù)技術(shù)的養(yǎng)老服務(wù)分類組別的構(gòu)建，提出了針對(duì)居家養(yǎng)老服務(wù)的復(fù)合判別分析方法，設(shè)計(jì)了面向服務(wù)架構(gòu)的養(yǎng)老服務(wù)發(fā)現(xiàn)與推薦算法，通過Web數(shù)據(jù)爬取和仿真相結(jié)合的方式測(cè)試了所提出算法的有效性。所提出的方法和算法可為居家養(yǎng)老服務(wù)系統(tǒng)的設(shè)計(jì)提供技術(shù)途徑。

參考文獻(xiàn)

[1] 鄭嵐.基于物聯(lián)網(wǎng)技術(shù)的智慧養(yǎng)老平臺(tái)建設(shè)探索[J].科技創(chuàng)新導(dǎo)報(bào)，2019，16（23）：137-138.

[2] 卜云飛.面向養(yǎng)老服務(wù)的推薦方法研究及應(yīng)用[D].哈爾濱工業(yè)大學(xué)，2017.

[3] 梁詠梅.助老服務(wù)APP及服務(wù)推薦策略研究[D].江西財(cái)經(jīng)大學(xué)，2018.

[4] 董欣欣.基于供需交易主體畫像的養(yǎng)老服務(wù)推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].哈爾濱工業(yè)大學(xué)，2018.

[5] 張愷琪.基于深度學(xué)習(xí)與多目標(biāo)優(yōu)化的養(yǎng)老服務(wù)推薦方法及實(shí)現(xiàn)[D].哈爾濱工業(yè)大學(xué)，2019.

[6] GUAY M， RUEST M， CONTANDRIOPOULOS D. Deimplementing Untested Practices in Homecare Services：A Preobservational-Postobservational Design[J].Occupational Therapy International， 2019， 2019（2）：1-7.