基于模糊神經(jīng)網(wǎng)絡(luò)的數(shù)字資源服務(wù)績效評價研究

朱世偉，鞠鎂隆，于俊鳳，魏墨濟，王蕾

(山東省科學(xué)院情報研究所，山東 濟南 250014)

數(shù)字資源(電子資源)是被設(shè)計用來存儲海量的結(jié)構(gòu)化或者半結(jié)構(gòu)化數(shù)據(jù)的元數(shù)據(jù)倉儲。近年來，隨著對數(shù)字圖書館和電子資源投入日漸加大，進行數(shù)字資源績效評估的需求也更加迫切［1］。需要開發(fā)相關(guān)的績效評價模型來對電子資源的使用績效進行評估。

美國圖書館界在20世紀60年代后期把在企業(yè)管理界應(yīng)用廣泛的績效評價方法引入到圖書館的服務(wù)績效評價中［2］。經(jīng)過近半個世紀的發(fā)展，相關(guān)專家學(xué)者對圖書館服務(wù)績效評價的概念和內(nèi)涵已經(jīng)達成了部分共識:圖書館的績效評價，就是按照給定的標(biāo)準(zhǔn)和要求，設(shè)定一定的指標(biāo)，利用科學(xué)評價方法和模型，對一定資金和其它資源投入的圖書館在一定時間內(nèi)的產(chǎn)出和服務(wù)進行評價和測試［3］，也就是說，對圖書館在一定投入資本下的產(chǎn)出效益進行評估和比較。

1 相關(guān)研究綜述

20世紀90年代中后期，以英美發(fā)達國家為首的部分國家和地區(qū)發(fā)起了一些針對數(shù)字圖書館服務(wù)績效進行評估的項目，并由此建立了一些績效評價的標(biāo)準(zhǔn)和指南。主要有:(1)美國圖書館研究協(xié)會發(fā)起的“ARL電子圖書館服務(wù)評價(E-METRICS)”項目［4－5］對數(shù)字圖書館數(shù)字資源的服務(wù)績效的評估進行了研究和分析，提出了一套數(shù)字資源績效評價的指標(biāo)體系，該體系共包含14個數(shù)字資源績效評價指標(biāo);(2)網(wǎng)絡(luò)電子資源在線使用統(tǒng)計(COUNTER)項目［6］設(shè)定了4大類數(shù)字資源使用的規(guī)范和準(zhǔn)則。截至目前，COUNTER已經(jīng)成為了數(shù)字圖書館績效評估方面的國際通用標(biāo)準(zhǔn)和規(guī)范;(3)歐洲圖書館績效評價和質(zhì)量管理系統(tǒng)EQUINOX項目從5個方面設(shè)定了14個指標(biāo)對數(shù)字資源服務(wù)績效進行評價［7］;(4)網(wǎng)絡(luò)環(huán)境中國家公共圖書館統(tǒng)計和績效測度項目出版了《公共圖書館網(wǎng)絡(luò)化服務(wù)統(tǒng)計和績效測度》手冊，提出了一整套對公共圖書館數(shù)字資源和服務(wù)進行評價的統(tǒng)計指標(biāo)體系［7］。

國內(nèi)的相關(guān)研究多數(shù)都是獨立進行的，幾乎沒有相關(guān)的學(xué)術(shù)團體或者部門對該類項目的開展進行任何形式的資助。索傳軍等［3］對電子資源在線使用統(tǒng)計進行了分析，指出數(shù)字資源績效評價的主要目標(biāo)是為了促進電子資源的標(biāo)準(zhǔn)化和易用性。黃穎［8］以用戶感知為中心的圖書館績效評價模型LibQUAL+TM為理論基礎(chǔ)，進一步剖析了學(xué)術(shù)環(huán)境下的滿意程度與服務(wù)質(zhì)量的辨證關(guān)系，構(gòu)建了一個以內(nèi)部圖書館專家群體確定和外部終端用戶群體感知為核心的、融合滿意程度和服務(wù)質(zhì)量的大學(xué)圖書館電子資源績效評價理論模型。史繼紅［9］比較了EQUINOX項目和ARL E-Metrics項目的評價結(jié)果，提出了包括不同方法優(yōu)缺點、指標(biāo)選取原則等在內(nèi)的一系列相關(guān)問題。

上述研究為數(shù)字資源建設(shè)做出了貢獻，然而，當(dāng)前國內(nèi)的研究還存在兩個弊端:一是國內(nèi)學(xué)者開展的研究大多采用在國外廣為使用的方法和模型，對國內(nèi)高?；蛘吖D書館的數(shù)字資源提供的服務(wù)進行績效評價，卻忽視了尋找符合我國實際情況的評價模型和指標(biāo)體系的工作;二是部分學(xué)者雖然提出了自己獨創(chuàng)的評價模型和方法，但是卻沒有進行實驗分析和驗證。本文提出了模糊神經(jīng)網(wǎng)絡(luò)(fuzzy neural network，F(xiàn)NN)評價模型，對高校和公立圖書館數(shù)字資源的使用績效進行評價，并選取數(shù)據(jù)進行了實驗驗證。

2 模糊神經(jīng)網(wǎng)絡(luò)

2.1 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。為了簡單說明，我們假定本文考慮的模糊神經(jīng)網(wǎng)絡(luò)具有多個輸入和一個輸出。模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為5層結(jié)構(gòu)，推理規(guī)則采用Takagi-Sugeno模糊推理邏輯，推理規(guī)則為［10］:

其中，Rk是第k個規(guī)則(1≤k≤L)，L是規(guī)則的長度，x={xi}，i=1，…，n為輸入向量，ωk是第 k個網(wǎng)絡(luò)的連接參數(shù)［11］。是Gaussian核函數(shù)定義的模糊集合:

圖1 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 Structure illustration of fuzzy neural network

其中 i=1，2，…，n，k=1，2，…，L，μik是 xi的成員函數(shù)，cik和σik分別是Gaussian核函數(shù)的中心和寬度，n是輸入向量的數(shù)量，L是每個輸入變量成員函數(shù)的數(shù)量［12－13］。

模糊神經(jīng)網(wǎng)絡(luò)各層實現(xiàn)的主要功能如下:

第一層:輸入層，該層每一個節(jié)點代表一個輸入向量;

第二層:模糊化層，該層的每一個節(jié)點被劃分成L個組，每個組代表一個模糊規(guī)則的IF推理部分［14］。每一個節(jié)點都參與成員函數(shù)μik(xi)值的計算;

第三層:模糊推理層，該層的節(jié)點數(shù)目和模糊規(guī)則的數(shù)目相等，每個節(jié)點都參與計算第k個模糊規(guī)則Rk，其輸出為:

第四層:歸一化層，實現(xiàn)歸一化計算。節(jié)點的數(shù)目與第三層節(jié)點數(shù)目相等［15］。Nk節(jié)點的輸出為:

第五層:輸出層，輸出層只有一個節(jié)點，其輸出y為:

其中，ωk是規(guī)則k的連接參數(shù)(連接權(quán)值)。

傳統(tǒng)FNN輸入變量的成員函數(shù)數(shù)量需要根據(jù)專家知識來確定。然而，不同的模糊系統(tǒng)之間的差別是顯而易見的，因此，對于網(wǎng)絡(luò)設(shè)計者來說，針對特定系統(tǒng)選擇恰當(dāng)?shù)哪：?guī)則數(shù)不是一件容易的事情。此外，固定結(jié)構(gòu)的模糊神經(jīng)網(wǎng)絡(luò)在面對不同的數(shù)據(jù)集時的適應(yīng)性也是一個不可回避的問題。模糊規(guī)則過多或者過少都將會對系統(tǒng)的分析造成難以避免的錯誤和問題［16］。本文中模糊規(guī)則數(shù)的確定采用了由Qiao［17］提出的一種自組織的算法來執(zhí)行，該方法能夠自動地按照實際問題的需求確定模糊規(guī)則數(shù)。

2.2 學(xué)習(xí)算法

模糊神經(jīng)網(wǎng)絡(luò)的自組織算法主要分為網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計和參數(shù)的優(yōu)化訓(xùn)練兩個步驟進行。每個階段都假設(shè)數(shù)據(jù)集是由p個輸入-輸出對組成:

為給FNN選擇合適的模糊規(guī)則數(shù)，我們在輸入輸出空間的劃分中采用了聚類算法，利用改進的RPCL(Rival penalized competitive learning)［18］算法來獲得緊湊的網(wǎng)絡(luò)結(jié)構(gòu)。聚類的數(shù)量在訓(xùn)練的過程中自動的獲得，以此來獲得可伸縮性的輸入輸出空間劃分方法和優(yōu)化的模糊規(guī)則數(shù)。然后，刪除部分冗余節(jié)點和連接，產(chǎn)生最終優(yōu)化的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

網(wǎng)絡(luò)結(jié)構(gòu)確定以后，便進入優(yōu)化學(xué)習(xí)階段，該階段將采用自組織學(xué)習(xí)階段獲得的參數(shù)初始化網(wǎng)絡(luò)。參數(shù)的優(yōu)化在相同的數(shù)據(jù)集合S上利用改進的反向傳播算法(Back propagation algorithm)執(zhí)行，以獲得最終的最優(yōu)網(wǎng)絡(luò)模型［19］。

給定集合S中任意的輸入xp，根據(jù)公式(1)～(4)，可以得到網(wǎng)絡(luò)的輸出為:

假設(shè)網(wǎng)絡(luò)誤差函數(shù)為:

其中，yp和是p維的網(wǎng)絡(luò)輸出值和期望輸出值，可以得到:

從公式(8)可以計算得到:

同樣的我們可以分別得到方差σik和權(quán)值ωk，計算公式分別如式(10)、(11)所示:

3 數(shù)字資源評價指標(biāo)體系

3.1 評價指標(biāo)選取

數(shù)字資源服務(wù)績效評價系統(tǒng)是一個結(jié)構(gòu)復(fù)雜的系統(tǒng)，包含特定的使用環(huán)境、服務(wù)條件和數(shù)字資源服務(wù)效益等諸多影響因素，因此，需要通過對數(shù)字資源的服務(wù)績效在縱向和橫向上進行比較，以此來確定最佳的評價指標(biāo)，如此一來，便無形中提高了評價指標(biāo)選取的難度。本文在評價指標(biāo)的選取時，考慮借鑒美國國家信息標(biāo)準(zhǔn)化組織(NISO)頒布的《信息服務(wù)和使用:圖書館和信息服務(wù)機構(gòu)統(tǒng)計指標(biāo)——數(shù)據(jù)字典(ANSI/NISO Z39.7－2004)》標(biāo)準(zhǔn)，同時結(jié)合我國數(shù)字圖書館建設(shè)的實際狀況，依據(jù)科學(xué)性與全面性、定量指標(biāo)與定性指標(biāo)、可比性與可操作性等原則相結(jié)合，構(gòu)建了一套數(shù)字資源服務(wù)績效評價的指標(biāo)體系框架［3，6］。

綜上所述，本文選取的數(shù)字資源服務(wù)績效評價指標(biāo)如表1所示。

表1 績效評價指標(biāo)Table 1 Performance evaluation index

3.2 樣本數(shù)據(jù)選取

本文主要目標(biāo)是為了驗證所提出的評價模型和方法的可行性與準(zhǔn)確性，為了便于說明，我們以山東省內(nèi)高校、科研院所的數(shù)字圖書館提供的數(shù)字資源為例，采集其2005—2010年的統(tǒng)計數(shù)據(jù)為研究對象。對樣本數(shù)據(jù)進行初步的分析，剔除難以獲取的數(shù)據(jù)和上述指標(biāo)數(shù)據(jù)不完整的數(shù)字資源樣本，得到的研究樣本共計120家，其中訓(xùn)練樣本和檢驗樣本數(shù)量分別為80和40。

3.3 實驗及仿真訓(xùn)練

隨著輸入維數(shù)的增加，F(xiàn)NN的模糊規(guī)則數(shù)量將按照指數(shù)級增加，因此，當(dāng)輸入節(jié)點的數(shù)量過多時，就必然會增加模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)復(fù)雜度，進而增加網(wǎng)絡(luò)訓(xùn)練的時間。為有效地克服上述問題，同時在最大程度上減少主觀因素對于網(wǎng)絡(luò)評價結(jié)果的影響，本文所采用的神經(jīng)網(wǎng)絡(luò)將利用分層次的遞接評價方法。該方法首先利用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本數(shù)據(jù)，對定性評價指標(biāo)則采用模糊神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練和學(xué)習(xí)，對經(jīng)過BP網(wǎng)絡(luò)和FNN網(wǎng)絡(luò)訓(xùn)練得到的結(jié)果再利用FNN進行模糊評價，最終得到數(shù)字資源績效評價的結(jié)果。我們假設(shè)最終的評價結(jié)果集合為F:Y→Z={優(yōu)、良、中、差}。其中，Y為模糊神經(jīng)網(wǎng)絡(luò)的最后輸出結(jié)果，Z為數(shù)字資源對應(yīng)的績效評價等級。

本文構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)為3層結(jié)構(gòu)，其中輸入層神經(jīng)元數(shù)個是20，輸出層神經(jīng)元個數(shù)為1(輸出結(jié)果為數(shù)字資源服務(wù)績效的等級)。利用逐次對比和試用的方法，最終確定當(dāng)隱含層神經(jīng)元數(shù)為15時，BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差最小，訓(xùn)練時間最短。BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的誤差曲線如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線Fig.2 Training error curve of BP neural network

圖3 FNN均方誤差變化曲線Fig.3 Mean square error curve of FNN

圖4 FNN的實際輸出與期望輸出Fig.4 Practical output and expected output of FNN

由定性評價指標(biāo)構(gòu)建的模糊神經(jīng)網(wǎng)絡(luò)FNN，由6個輸入指標(biāo)、1個模糊輸出和由16個神經(jīng)元組成的模糊化層組成，該網(wǎng)絡(luò)的模糊規(guī)則數(shù)量為256(實驗分析得出)。

最終構(gòu)造的FNN包含2個輸入節(jié)點(定量評價指標(biāo)等級結(jié)果和定性評價指標(biāo)等級結(jié)果)、1個輸出節(jié)點(數(shù)字資源服務(wù)績效評價結(jié)果)，其中的模糊化層包含12個神經(jīng)元，模糊規(guī)則數(shù)為24條。網(wǎng)絡(luò)訓(xùn)練過程中產(chǎn)生的均方誤差曲線如圖3所示。

從圖3中可以得到，樣本數(shù)據(jù)訓(xùn)練的均方誤差曲線相對平穩(wěn)，當(dāng)均方誤差達到1.7843×10－5時，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效果為最好。

最后把檢驗樣本數(shù)據(jù)輸入到訓(xùn)練完成的模糊神經(jīng)網(wǎng)絡(luò)中，進行數(shù)字資源服務(wù)績效評價。我們得到網(wǎng)絡(luò)的期望輸出(用戶主觀評價結(jié)果)與網(wǎng)絡(luò)實際輸出如圖4所示，其中平均誤差為0.0019。

從圖4我們可以得到，本研究提出的模糊神經(jīng)網(wǎng)絡(luò)評價模型能夠較好地完成電子資源績效評價的任務(wù)，績效評價的時間效率和準(zhǔn)確率都比較理想。通過對實驗結(jié)果的分析，我們發(fā)現(xiàn)模糊神經(jīng)網(wǎng)絡(luò)電子資源績效評價的準(zhǔn)確率達到了83.7%，表明基于模糊神經(jīng)網(wǎng)絡(luò)的電子資源績效評價模型和方法是切實可行的。

4 結(jié)語

本研究提出的模糊神經(jīng)網(wǎng)絡(luò)電子資源績效評價模型方法，較好地完成了電子資源績效評價的任務(wù)，并且由于有效地克服了傳統(tǒng)的基于統(tǒng)計的評價模型與方法的不足，減少了主觀因素對評價結(jié)果的影響，提高了評價結(jié)果的客觀性和準(zhǔn)確率。

［1］曾照云，張永杰，楊蘭芝.數(shù)字資源服務(wù)績效評估研究綜述［J］.圖書館和信息服務(wù)，2008，52(8):54－57.

［2］余勝.關(guān)于圖書館績效評估的研究與實踐［J］.中國圖書館學(xué)報，2006(4):101104.

［3］索傳軍，王建朋.國外電子資源在線使用統(tǒng)計研究述評［J］.圖書館，2006(6):43－46.

［4］BLIXRUD J C.Measures for electronic use:The ARL E-metrics project［J］.Statistics in Practice-Measuring＆ Managing，2002，9:73－84.

［5］MILLER R，SCHMID S.E-metrics:Measures for electronic resources［J］.The Journal for the Serial Community，2002，15(1):19－25.

［6］索傳軍.論電子資源在線使用統(tǒng)計數(shù)據(jù)的收集與分析［J］.中國圖書館學(xué)報，2006，32(3):65－68.

［7］張秀華，楊洪勇，宋艷梅.基于灰色關(guān)聯(lián)分析和BP神經(jīng)網(wǎng)絡(luò)的數(shù)字資源服務(wù)績效評價研究［J］.情報學(xué)報，2010，29(3):468－473.

［8］黃穎.圖書館電子資源績效評價模型構(gòu)建分析［J］.現(xiàn)代情報，2009，29(8):106－107.

［9］史繼紅.兩個重要的電子資源使用績效評價體系的比較:歐洲的EQUINOX項目與美國的ARL E-metrics項目［J］.數(shù)字圖書館論壇，2007，38(7):53－57.

［10］ZHANG Y.Application of T-S fuzzy neural network based on declination compensation in soft sensing［J］.Mathematics and Computers in Simulation，2011，32(12):1 －8.

［11］BARBOUNIS T G，THEOCHARIS J B.A locally recurrent fuzzy neural network with application to the wind speed prediction using spatial correlation［J］.Neurocomputing，2007，70(10):1525 －1542.

［12］KHAYAT O，EBADZADEH M M，SHAHDOOSTI H R，et al.A novel hybrid algorithm for creating self-organizing fuzzy neural networks［J］.Neurocomputing，2009，73(1):517 －524.

［13］DENG X S，WANG X Z.Incremental learning of dynamic fuzzy neural networks for accurate system modeling［J］.Fuzzy Sets and Systems，2009，160(5):972 －987.

［14］LENG G，McCINNITY T M，G Prasad，et al.An approach for on-line extraction of fuzzy rules using a self-organizing fuzzy neural network［J］.Fuzzy Sets and Systems，2005，150(10):211 －243.

［15］YE B，YU Z，PAVLIKOVSKAYA E，et al.The neo-fuzzy neural network structure optimization using the GMDH for the solving forecasting and classification problems［C］//IWIM，2009.Krynica，Poland:IEEE computer society，2009:77 －89.

［16］LIN C T，YEH C M，CHUNG J F，et al.Suppoet-vector-based fuzzy neural networks［J］.International Journal of Computational Intelligence Research，2005，1(2):138－150.

［17］QIAO J F，WANG H D.A self-organizing fuzzy neural network and its applications to function approximation and forecast modeling［J］.Nurocomputing，2008，71(2):564－569.

［18］ALIEV R A，GUIRIMOV B G，F(xiàn)AZLOLLAHI B，et al.Evolutionary algorithm-based learning of fuzzy neural networks:Recurrent fuzzy neural networks［J］.Fuzzy Sets and Systems，2009，160(8):2553 －2566.

［19］NAIR T M，ZHENG C L，F(xiàn)INK J L，et al.Rival penalized competitive learning(RPCL):A topology-determining algorithm for analyzing gene expression data［J］.Compute Biol Chem，2003，27(6):565－574.