居家養老服務判別分析與服務推薦算法

張傳一 黃迎春 蔣華萍 項子珂 胡海雷 張政陽

摘? 要：伴隨中國老齡化社會的逐步到來，利用大數據和人工智能技術匹配養老資源供給與居家養老需求成為亟待解決的問題。分析目前居家養老需求，建立居家養老服務數據模型，采用大數據技術構建居家養老服務分類組別，提出居家養老服務復合判別分析算法，設計面向服務架構的養老服務發現與推薦算法，采用爬取網絡數據和仿真生成數據相結合方式驗證了所提出算法的有效性。

關鍵詞：居家養老? 判別分析? 服務推薦算法? 面向服務架構

中圖分類號：D669.6? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A文章編號：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

伴隨著中國老齡化社會的逐步到來，養老問題已經成為亟待解決的社會問題。目前養老方式主要有集中式養老和社區居家養老兩種方式。居家養老是中國目前甚至是未來最主要的養老方式。目前的居家養老在信息技術的應用上還存在許多問題，主要表現在社會養老資源供給與養老服務需求的不匹配問題，即：雖然存在很多網絡養老服務信息，但需要有效利用這些信息，對接居家養老服務供給與需求，滿足老人個性化的居家養老需求。為此，許多學者開展了這方面的研究，所建立的模型和方法雖然在養老服務匹配和推薦方面進行了技術層面的探索，但在養老服務推薦的準確性和有效性方面還需進一步提高。因此，該文應用大數據和人工智能技術開展了相關研究，建立了居家養老服務模型，提出了復合判別分析算法和服務發現與推薦算法。

1? 居家養老服務數據模型

為了能夠更好地對居家養老的老人所需的服務進行服務判別、服務發現和服務推薦，參考智慧養老平臺的構建準則[1]和基于行形式化描述的個性養老主題服務樹模型[2]，建立了由老人基本信息、健康狀況、日常照料、醫療護理保健、精神咨詢慰藉、文體娛樂活動、居家安全監控和法律金融科技支持8類指標數據模型，具體定義如下。

2? 養老服務需求判別分析

在獲取了影響養老服務需求的指標數據后，可進一步判別潛在的養老服務需求類型，該文提出一種基于大數據的養老服務需求復合判別分析方法。該方法首先采用大數據技術在可信的網站上爬取老人基本信息與養老服務需求的數據，然后建立養老服務分類組別，最后采用提出的復合判別分析方法對養老服務需求進行判別分析。

大數據處理流程包括數據采集、數據預處理與存儲、數據處理與分析、數據可視化、數據應用等步驟。判別分析（Discriminant Analysis）是由費舍爾（R.A.Fishe）在1936年提出的一種多元統計分析方法，該方法根據觀測到的一些指標數據對所研究的對象進行分類。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待判別的實例進行分類。

針對養老服務需求，提出一種復合判別分析方法，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（至少3種）取得一致性的判別結果，則采用該結果;如果沒有多數結果一致，則根據訓練數據返回錯誤分類錯誤率的估計誤差來輸出判別結果，該誤差是由組的先驗概率加權的訓練中被錯誤分類的觀察的百分比，誤差最小的分類結果將被采納。參與復合分類的5種分類模型如下。

模型1（線性分類）：用協方差的匯總估計，擬合每個組的多元正態密度。

模型2（對角線性分類）：類似于線性分類模型，但是有一個對角協方差矩陣估計（樸素貝葉斯分類器）。

模型3（二次分類）：用組分層協方差估計擬合多元正態密度。

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

模型5（馬氏距離分類）：使用具有分層協方差估計的馬氏距離。

其中，線性分類法假定表征k組類別的隨機變量：

即各組的先驗分布均為協方差矩陣相同的p元正態分布，此時由樣本得出的協方差矩陣聯合估計Σ;二次分類法也假設各組的先驗分布均為p元正態分布，但協方差矩陣并不完全相同，此時可分別得出各個協方差矩陣的估計Σi，i=1 2 …，k;馬氏距離分類法的各組協方差矩陣不完全相等，此時分別得出分組的協方差矩陣的估計，其中馬氏距離是由印度統計學家馬哈拉諾比斯（Mahalanobis）引入的，以下為馬氏距離的定義：設Σ表示分類指標的協方差矩陣，即

3? 基于SOA的養老服務發現與推薦算法

近年來，面向服務架構（Service Oriented Architecture，SOA）呈現蓬勃發展趨勢，尤其隨著互聯網、物聯網、云計算、大數據和人工智能技術的不斷發展和應用，采用SOA架構的Web服務、云服務、App服務等多種服務應用越來越廣泛。將SOA及其相關技術應用于居家養老服務對于提高服務發現、服務匹配和服務推薦等服務能力和質量越來越重要。在參考助老服務App軟件中服務推薦策略[3]、供需主題畫像模型匹配養老服務推薦系統[4]、基于深度學習多目標優化養老服務推薦方法[5]以及家庭護理服務實踐測試結果[6]的基礎上，該文采用形式化方法表達居家養老服務，并設計服務發現與推薦策略以實現高效的養老服務資源整合。服務發現需建立在服務匹配的基礎上，下面給出服務匹配問題的定義。

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

在定義服務匹配的基礎上，服務發現采用基于社交媒體信息的語義服務發現框架，通過服務信息語義的相似度、流行度、活躍度和衰退度這4個特征作為服務發現的影響因素。這4個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，設計了基于SOA的養老服務發現與推薦方法如下。

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

（2）對于非功能性社交因素，即流行度、活躍度和衰退度，構造相應的評價函數對其進行度量。

（3）將功能性因素和非功能性因素整合為加權的統一評價模型。

（4）對于給定的服務需求，基于統一評價模型整合功能性和非功能性因素，生成推薦結果。

潛語義索引（LSI）是一個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，進而計算二者的相似度。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為詞數量，d為文檔數量，n=min{t，d}。基于LSI模型服務需求輸入q與服務si之間的相似度函數如下：

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服務，用戶更傾向選擇的服務。由于不同服務的關注數量差異較大，為了將數據標準化，采用自然對數運算定義流行度評價函數：

式中，nfi為服務si的關注數量;minf和maxf分別為所有服務中關注數量的最小值和最大值。活躍度反映服務發布的頻率高低，與流行度的計算方式類似，以服務的發推數量定義服務的活躍度如下：

式中，nti代表服務si的發推數量，mint和maxt分別表示所有服務發推數量的最小值和最大值。衰減度用來動態調整候選服務的權重，其定義如下：

式中，nli為包含服務si的列表數量，參數kd為列表數平均值的自然對數。

綜上所述，服務匹配函數定義為以上4個因素的線性組合：

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

4? 仿真分析

4.1 復合判別分析仿真分析

為了驗證復合判別分析方法的有效性，采用Web爬取的數據和仿真數據生成相結合的方式生成了判別分析所需的測試數據集，進一步通過數據裁剪和整理，基于Matlab語言的判別分析工具箱，實現了復合判別分析的仿真。基于Web爬取數據與仿真數據的復合判別分析分類結果見圖1。

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

4.2 服務發現與推薦算法的仿真分析

首先將定義3～8中列出的共計35種養老服務需求采用隨機數仿真的方法產生原始需求數據，如果老人對服務指標點有服務需求，則該服務指標需求量化為數值1，反之，則量化為數值0。然后對于有服務需求的指標采用提出的服務發現與推薦算法進行服務匹配與推薦計算。例如：假設某位老人的養老需求數據量化為序列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個服務需求點的指標為1，因此對這些服務需求點采用服務推薦算法計算服務匹配度，設服務候選集S={s1，s2，s3}，則該養老需求的服務推薦算法的計算結果見圖2。

根據圖2的結果，選取每個服務匹配度最大的服務形成的服務推薦集合為：{s2，s3，s2，s3，s3，s3，s1，s2，s1，s1，s2，s3，s3，s1，s3，s2，s1}。

5? 結語

該文在研究居家養老服務需求的基礎上，建立了居家養老服務需求系統數據模型，基于大數據技術的養老服務分類組別的構建，提出了針對居家養老服務的復合判別分析方法，設計了面向服務架構的養老服務發現與推薦算法，通過Web數據爬取和仿真相結合的方式測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老服務系統的設計提供技術途徑。

參考文獻

[1] 鄭嵐.基于物聯網技術的智慧養老平臺建設探索[J].科技創新導報，2019，16（23）：137-138.

[2] 卜云飛.面向養老服務的推薦方法研究及應用[D].哈爾濱工業大學，2017.

[3] 梁詠梅.助老服務APP及服務推薦策略研究[D].江西財經大學，2018.

[4] 董欣欣.基于供需交易主體畫像的養老服務推薦系統設計與實現[D].哈爾濱工業大學，2018.

[5] 張愷琪.基于深度學習與多目標優化的養老服務推薦方法及實現[D].哈爾濱工業大學，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.