一种养老模式自动推荐方法、装置及终端设备与流程

本发明属于深度学习技术领域，尤其涉及一种养老模式自动推荐方法、装置及终端设备。

背景技术：

在中国近几十年不断发展的过程中，养老问题显得越来越突出，养老问题不仅是一个亟待妥善解决的社会民生问题，同时也与社会经济发展息息相关。为此，在未来的发展中，思考如何投资养老产业就显得尤为重要，它不仅仅影响到投资回报率，更重要的是影响到能否建成满足不同老人所需的养老环境。

由于年龄、职业、经济收入、受教育程度、健康状况、婚姻状况、地区差别等多种因素的影响，老年群体对于养老方式存在着不同的需求，传统的家庭养老模式这一单一养老模式已无法满足老人多样化、差异性的养老需求。为此，养老模式多元化是历史发展的必然，养老模式选择就像一道方程式，每一时代的老人都必须做出解答，不同时代的答案有所不同。

为了更好的投资养老产业，满足老人多元化的养老需求，同时为了避免盲目投资建设，造成不必要的浪费，需要一份对未来养老产业发展的重点具有指导性的参考依据。目前，为了预测未来养老产业的发展方向，所运用的方法基本都是调查问卷的方式。

然而，运用调查问卷的方式来调研未来养老产业发展方向的方法存在以下缺点：

1、该方法需要耗费大量的人力、物力和财力。

2、该方法获得的结果将只适合特定地域和特定人群，很难泛化到省或国家这样的地域范围。

技术实现要素：

有鉴于此，本发明实施例提供了一种养老模式自动推荐方法、装置及终端设备，以解决现有技术中存在的问题。

本发明实施例的第一方面提供了一种养老模式自动推荐方法，包括：

获取训练数据集；其中，所述训练数据集包括问卷答案和人工标注的养老模式；

将所述问卷答案作为输入特征，将所述人工标注的养老模式作为输出特征，创建反向传播前馈神经网络模型；

根据所述训练数据集对所述反向传播前馈神经网络模型进行训练，以获取养老模式自动推荐模型；

获取调查问卷的特征值并输入所述养老模式自动推荐模型，以获取养老模式的自动推荐结果。

可选的，将所述问卷答案作为输入特征，将所述人工标注的养老模式作为输出特征，创建反向传播前馈神经网络模型之前，包括：

归一化所述问卷答案，以获取归一化后的问卷答案；

归一化所述人工标注的养老模式，以获取归一化后的人工标注的养老模式。

可选的，所述归一化的公式包括：

其中，xi代表归一化数据的取值，xmin代表归一化数据变化的最小值，xmax代表归一化数据变化的最大值，代表所述归一化后的数据值。

可选的，根据所述训练数据集对反向传播前馈神经网络模型进行训练，以获取养老模式自动推荐模型，包括：

通过误差反向传播算法根据所述训练数据集对反向传播前馈神经网络模型进行训练，以获取养老模式自动推荐模型。

可选的，所述获取训练数据集，包括：

获取养老模式的类型；

获取与所述养老模式的类型对应的问题；

根据所述养老模式和与所述养老模式的类型对应的问题，设计养老模式调查问卷；

获取针对所述养老模式调查问卷的问卷答案和与所述问卷答案对应的人工标注的养老模式，作为所述训练数据集；

可选的，根据所述养老模式和与所述养老模式的类型对应的问题设计养老模式调查问卷，包括：

根据所述养老模式和与所述养老模式的类型对应的问题设计养老模式调查问卷；

获取所述养老模式调查问卷的可信度和效率；

若所述可信度低于预设可信度阈值和/或所述效率低于预设效率阈值，则重新根据所述养老模式和与所述养老模式的类型对应的问题设计养老模式调查问卷，直至所述可信度达到预设可信度阈值和所述效率达到预设效率阈值为止。

本发明实施例的第二方面提供了一种养老模式自动推荐装置，包括：

第一获取模块，用于获取训练数据集；其中，所述训练数据集包括问卷答案和人工标注的养老模式；

创建模块，用于将所述问卷答案作为输入特征，将所述人工标注的养老模式作为输出特征，创建反向传播前馈神经网络模型；

训练模块，用于根据所述训练数据集对所述反向传播前馈神经网络模型进行训练，以获取养老模式自动推荐模型；

第二获取模块，用于获取调查问卷的特征值并输入所述养老模式自动推荐模型，以获取养老模式的自动推荐结果。

本发明实施例的第三方面提供了一种终端设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述方法的步骤。

本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法的步骤。

本发明实施例通过创建反向传播前馈神经网络模型，根据训练数据集并对所述反向传播前馈神经网络模型进行训练，以获取养老模式自动推荐模型实现养老模式的自动推荐，节约了大量的人力、物力和财力，且提高了所获结果的适用性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的养老模式自动推荐方法的流程示意图；

图2是本发明实施例二提供的养老模式自动推荐方法的流程示意图；

图3是本发明实施例三提供的养老模式自动推荐方法的流程示意图；

图4是本发明实施例三提供的对三层基于反向传播前馈神经网络模型进行训练的示意图；

图5是本发明实施例四提供的养老模式自动推荐方法的流程示意图

图6是本发明实施例五提供的养老模式自动推荐装置的结构示意图；

图7是本发明实施例六提供的终端设备的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“包括”以及它们任何变形，意图在于覆盖不排他的包含。例如包含一系列步骤或单元的过程、方法或系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。此外，术语“第一”、“第二”和“第三”等是用于区别不同对象，而非用于描述特定顺序。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

实施例一

如图1所示，本实施例提供一种养老模式自动推荐方法，该方法可以应用于如手机、平板电脑、pc等终端设备。本实施例所提供的养老模式自动推荐方法，包括：

s101、获取训练数据集；其中，所述训练数据集包括问卷答案和人工标注的养老模式。

在具体应用中，获取训练数据集，其中，训练数据集包括问卷答案和人工标注的养老模式。问卷答案是指通过调查问卷获取到的所有问题对应的答案。人工标注的养老模式是指由人工评价调查问卷，并标注的问卷填写人合适的养老模式，包括但不限于：机构养老、居家养老、社区养老、旅居养老、代际学习中心、以房养老、智能养老、共享居家养老、居家养老积分制和医养结合养老。

s102、将所述问卷答案作为输入特征，将所述人工标注的养老模式作为输出特征，创建反向传播前馈神经网络模型。

在具体应用中，可通过问卷赋码和统计技术和反向传播前馈神经网络学习技术，将问卷答案作为模型的输入，以人工标注的养老模式作为输出，创建反向传播前馈神经网路模型。

s103、根据所述训练数据集对所述反向传播前馈神经网络模型进行训练，以获取养老模式自动推荐模型。

在具体应用中，根据训练数据集对反向传播前馈神经网络模型进行训练，以得到养老模式自动推荐模型的各项参数，从而获取养老模式自动推荐模型。在具体实施过程中，反向传播前馈神经网络模型经过大量训练数据的训练与分析，最终确定各项参数的最优值分别为：反向传播前馈神经网络模型的层数为三层，分别是输入层(29个节点)，隐含层(40个节点)，输出层(10个节点)，学习率为0.0006。实施方法：反向传播前馈神经网络模型需要确定的参数分别为网络层数、隐含层节点数和网络学习率，可先假定隐含层节点数和网络学习率的取值，用所得的训练数据集训练反向传播前馈神经网络模型，以获取使系统最优时的网络层数；再假定网络学习率的取值，用训练数据集继续训练反向传播前馈神经网络，以获取使系统最优时的隐含层节点数；当网络层数和隐含层节点数确定后，再用训练数据集训练反向传播前馈神经网络，获取最优的网络学习率的值。当网络层数、隐含层节点数和网络学习率的值确定后，即创建出养老模式自动推荐模型。如表1所示，示意性的示出了一种包含29个节点输入层的调查问卷表。

s104、获取调查问卷的特征值并输入所述养老模式自动推荐模型，以获取养老模式的自动推荐结果。

在具体应用中，获取调查问卷中调查用户输入的特征值(特征值指调查用户针对调查问卷中每一项问题的答案)，并输入至养老模式自动推荐模型，养老模式自动推荐模型自动预测调查用户可能选择的养老模式。即任何调查用户只需在线完成问卷调研，基于反向传播前馈神经网络的养老模式自动推荐模型会自动向调查用户推荐合适的养老模式。

本实施例通过创建反向传播前馈神经网络模型根据训练数据集并对反向传播前馈神经网络模型进行训练，以获取养老模式自动推荐模型实现养老模式的自动推荐，节约了大量的人力、物力和财力，且提高了所获结果的适用性。

实施例二

如图2所示，本实施例是对实施例一中的方法步骤的进一步说明。在本实施例中，所述步骤s102之前，还包括：

s105、归一化所述问卷答案，以获取归一化后的问卷答案。

在具体应用中，调查问卷的问题及其对应的问卷答案分别涉及到不同物理意义或量纲的输入数据，通过归一化可以给各个问卷答案以相同的权重(即同等重要的地位)。因此，可将问卷答案取值归一化到[0，1]之间，使用的变换式为：

上式中，xi代表自变量的取值，xmin代表数据变化的最小值，xmax代表数据的最大值，代表归一化自变量的值。

s106、归一化所述人工标注的养老模式，以获取归一化后的人工标注的养老模式。

在具体应用中，由于人工标注的养老模式的取值对应的输出值只能取值1或0，因此需归一化人工标注的养老模式。其中，可设定当取1时表示其对应的养老模式被选中，当取0时表示其对应的养老模式没有被选中。

在一个实施例中，所述归一化的公式包括：

其中，xi代表归一化数据的取值，xmin代表归一化数据变化的最小值，xmax代表归一化数据变化的最大值，代表所述归一化后的数据值。

在具体应用中，归一化的公式包括：

其中，xi代表归一化数据的取值(即问卷答案的取值和人工标注的养老模式的取值)，xmin代表归一化数据变化的最小值(即问卷答案的取值和人工标注的养老模式变化的最小值)，xmax代表归一化数据变化的最大值(即问卷答案的取值和人工标注的养老模式变化的最大值)，代表所述归一化后的数据值(即归一化后的问卷答案的值和人工标注的养老模式的值)。

本实施例通过对不同类型和不同意义的数据的归一化，提高了数据的可信度，进一步提高了养老模式自动推荐模型的可信度。

实施例三

如图3所示，本实施例是对实施例一中的方法步骤的进一步说明。在本实施例中，步骤s103，包括：

s1031、通过误差反向传播算法根据所述训练数据集对反向传播前馈神经网络模型进行训练，以获取养老模式自动推荐模型。

在具体应用中，通过误差反向传播算法(errorbackpropagation，bp)根据训练数据集对反向传播前馈神经网络模型进行训练，以获取养老模式自动推荐模型。如图4所示，提供了一种通过误差反向传播算法对层数为三层(分别是输入层(29个节点)，隐含层(40个节点)，输出层(10个节点))的基于反向传播前馈神经网络模型的训练的示意图。

本实施例通过误差反向传播算法使养老模式自动推荐模型的达到最优状态，进一步提高了养老模式自动推荐结果的适用性。

实施例四

如图5所示，本实施例是对实施例一中的方法步骤的进一步说明。在本实施例中，步骤s101，包括：

s1011、获取养老模式的类型。

在具体应用中，可通过实地产业调研、文献调研、各类电子媒体调研、政府相关工作报告、个人采访等多种方式，获取养老模式的类型。

s1012、获取与所述养老模式的类型对应的问题。

在具体应用中，根据上述养老模式的类型确定与养老模式的类型对应的(相关度高的)问题。

s1013、根据所述养老模式和与所述养老模式的类型对应的问题，设计养老模式调查问卷。

在具体应用中，根据养老模式和与养老模式的类型对应的问题，设计一份较为合理的养老模式调查问卷。具体的，可通过实际调研收集大批量调研数据作为研究素材，并组织多位资深养老专家对这批调研数据中的养老模式进行人工标注。

s1014、获取针对所述养老模式调查问卷的问卷答案和与所述问卷答案对应的人工标注的养老模式，作为所述训练数据集。

在具体应用中，获取针对养老模式调查问卷的问卷答案和与问卷答案对应的人工标注后的养老模式，作为养老模式自动推荐模型的训练集，用于创建养老模式自动推荐模型。

在一个实施例中，s1013包括：

根据所述养老模式和与所述养老模式的类型对应的问题设计养老模式调查问卷；

获取所述养老模式调查问卷的可信度和效率；

若所述可信度低于预设可信度阈值和/或所述效率低于预设效率阈值，则重新根据所述养老模式和与所述养老模式的类型对应的问题设计养老模式调查问卷，直至所述可信度达到预设可信度阈值和所述效率达到预设效率阈值为止。

在具体应用中，根据养老模式和与养老模式的类型对应的问题设计养老模式调查问卷，可使用spss软件对设计出的养老模式调查问卷进行可信度和效率的分析和获取，若可信度低于预设可信度阈值和/或效率低于预设效率阈值，则重新根据养老模式和与养老模式的类型对应的问题设计养老模式调查问卷，直到信度达到预设可信度阈值和效率达到预设效率阈值为止。

本实施例通过大量的数据调研，设计出合理的调查问卷，并基于调查问卷的数据创建及训练养老模式自动推荐模型，可自动预测出调查对象对于养老模式的选择偏好及未来养老产业发展的重点方向，提高了养老产业的发展速率。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

实施例五

如图6所示，本实施例提供一种养老模式自动推荐装置100，用于执行实施例一中的方法步骤。本实施例提供的养老模式自动推荐装置100，包括：

第一获取模块101，用于获取训练数据集；其中，所述训练数据集包括问卷答案和人工标注的养老模式；

创建模块102，用于将所述问卷答案作为输入特征，将所述人工标注的养老模式作为输出特征，创建反向传播前馈神经网络模型；

训练模块103，用于根据所述训练数据集对所述反向传播前馈神经网络模型进行训练，以获取养老模式自动推荐模型；

第二获取模块104，用于获取调查问卷的特征值并输入所述养老模式自动推荐模型，以获取养老模式的自动推荐结果。

在一个实施例中，所述装置100，还包括：

第三获取模块105，用于归一化所述问卷答案，以获取归一化后的问卷答案；

第四获取模块106，用于归一化所述人工标注的养老模式，以获取归一化后的人工标注的养老模式。

在一个实施例中，所述归一化的公式包括：

其中，xi代表归一化数据的取值，xmin代表归一化数据变化的最小值，xmax代表归一化数据变化的最大值，代表所述归一化后的数据值。

在一个实施例中，所述训练模块103，包括：

通过误差反向传播算法根据所述训练数据集对反向传播前馈神经网络模型进行训练，以获取养老模式自动推荐模型。

在一个实施例中，所述第一获取模块101，包括：

第一获取单元1011，用于获取养老模式的类型；

第二获取单元1012，用于获取与所述养老模式的类型对应的问题；

设计单元1013，用于根据所述养老模式和与所述养老模式的类型对应的问题，设计养老模式调查问卷；

第三获取单元1014，用于获取针对所述养老模式调查问卷的问卷答案和与所述问卷答案对应的人工标注的养老模式，作为所述训练数据集；

在一个实施例中，所述设计单元1013，包括：

设计子单元，用于根据所述养老模式和与所述养老模式的类型对应的问题设计养老模式调查问卷；

获取子单元，用于获取所述养老模式调查问卷的可信度和效率；

判断子单元，用于若所述可信度低于预设可信度阈值和/或所述效率低于预设效率阈值，则重新根据所述养老模式和与所述养老模式的类型对应的问题设计养老模式调查问卷，直至所述可信度达到预设可信度阈值和所述效率达到预设效率阈值为止。

本实施例通过创建反向传播前馈神经网络模型根据训练数据集并对反向传播前馈神经网络模型进行训练，以获取养老模式自动推荐模型实现养老模式的自动推荐，节约了大量的人力、物力和财力，且提高了所获结果的适用性。

实施例六

图7是本实施例六提供的终端设备的示意图。如图7所示，该实施例的终端设备7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72，例如养老模式自动推荐程序。所述处理器70执行所述计算机程序72时实现上述各个养老模式自动推荐方法实施例中的步骤，例如图1所示的步骤s101至s104。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块101至104的功能。

示例性的，所述计算机程序72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述终端设备7中的执行过程。例如，所述计算机程序72可以被分割成第一获取模块、创建模块、训练模块和第二获取模块，各模块具体功能如下：

第一获取模块，用于获取训练数据集；其中，所述训练数据集包括问卷答案和人工标注的养老模式；

创建模块，用于将所述问卷答案作为输入特征，将所述人工标注的养老模式作为输出特征，创建反向传播前馈神经网络模型；

训练模块，用于根据所述训练数据集对所述反向传播前馈神经网络模型进行训练，以获取养老模式自动推荐模型；

第二获取模块，用于获取调查问卷的特征值并输入所述养老模式自动推荐模型，以获取养老模式的自动推荐结果。

所述终端设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是终端设备7的示例，并不构成对终端设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器70可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器71可以是所述终端设备7的内部存储单元，例如终端设备7的硬盘或内存。所述存储器71也可以是所述终端设备7的外部存储设备，例如所述终端设备7上配备的插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字卡(securedigital，sd)，闪存卡(flashcard)等。进一步地，所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。