基于神經(jīng)網(wǎng)絡(luò)的圖書館個性化服務(wù)質(zhì)量的評價

李雪瑩

摘要：本文通過對圖書館新一代個性化服務(wù)的分析構(gòu)建了評價指標(biāo)體系，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)建立了個性化服務(wù)的總體評價模型，該模型是通過精選的帶標(biāo)簽樣本完成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，可輸出5級總體評價結(jié)果。對樣本的評價結(jié)果進(jìn)行分析可得出：建立的神經(jīng)網(wǎng)絡(luò)模型可以對輸入的每個服務(wù)對象的指標(biāo)數(shù)據(jù)進(jìn)行有效評價，并給出優(yōu)秀、良好、中等、一般和較差的合理等級分類，能夠用于圖書館個性化服務(wù)質(zhì)量的評估。

關(guān)鍵詞：圖書館；個性化服務(wù)；神經(jīng)網(wǎng)絡(luò)；評價模型

中圖分類號：G251 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2019）01-0082-04

0 引言

目前國內(nèi)圖書館都推出了具有自己特色的個性化服務(wù)，特別是互聯(lián)網(wǎng)、移動通信的普及給圖書館個性化服務(wù)增添了新內(nèi)涵[1-3]，個人圖書館、智能化推送等都成了新的服務(wù)內(nèi)容，對圖書館服務(wù)的評估也應(yīng)與時俱進(jìn)，構(gòu)建新的評價指標(biāo)體系[4]，研究新的評價模型[5-7]，才能做出恰當(dāng)準(zhǔn)確的評價，用以指導(dǎo)圖書館服務(wù)質(zhì)量的改進(jìn)。然而由于圖書館的個性化服務(wù)與服務(wù)對象自身的屬性密切相關(guān)，如學(xué)生、教師、科研工作者等，對個性化服務(wù)的需求是有差異的，即使相同的服務(wù)對個性化服務(wù)質(zhì)量的評價也不盡相同。因此構(gòu)建的評價指標(biāo)要盡可能考慮這種服務(wù)對象屬性的差異，使其能夠確切反映不同對象的需求。個性化服務(wù)評價的核心問題是評價模型的建立，一般圖書館評價采用層次結(jié)構(gòu)的二級指標(biāo)分解，指標(biāo)數(shù)量較多，采用分項(xiàng)評估，只是對單項(xiàng)服務(wù)的質(zhì)量的考量，不同個體關(guān)注的重點(diǎn)也是不一樣，這樣就難以從單項(xiàng)評估中推測對個性化服務(wù)質(zhì)量的總體評價。為此需要建立所有個性化評價指標(biāo)到服務(wù)質(zhì)量的映射關(guān)系，這種關(guān)系本質(zhì)上是多對多的非線性映射。本文采用一種三層BP神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)這種多對多的評價模型的建立，并通過相關(guān)精選數(shù)據(jù)樣本的監(jiān)督學(xué)習(xí)，完成BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，使其能夠有效地用于圖書館個性化服務(wù)質(zhì)量的評價。

1 圖書館個性化服務(wù)指標(biāo)的分析與構(gòu)建

隨著數(shù)字化、網(wǎng)絡(luò)化技術(shù)的普及，圖書館個性化服務(wù)資源已從紙質(zhì)文獻(xiàn)向紙質(zhì)、電子網(wǎng)絡(luò)、多媒體文獻(xiàn)綜合發(fā)展，服務(wù)方式也成網(wǎng)絡(luò)化、移動化和智能化等新模式，新的圖書館個性化服務(wù)評價指標(biāo)應(yīng)該考慮這些新因素的影響，本文通過網(wǎng)絡(luò)問卷調(diào)查和專家咨詢，在比較LibQual+的22項(xiàng)指標(biāo)后[8]，從個性化服務(wù)效果、個性化信息控制和個性化信息交互三個維度分別建立了適合不同服務(wù)對象的18項(xiàng)個性化服務(wù)指標(biāo)體系，在這些指標(biāo)中包括了服務(wù)對象的共性指標(biāo)，在語義上概括了不同屬性服務(wù)對象的需求，指標(biāo)匯總?cè)绫?所示。

2 圖書館個性化服務(wù)評價神經(jīng)網(wǎng)絡(luò)模型的建立

2.1 三層BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)有多種結(jié)構(gòu)形式，其中BP（Back Propagation）網(wǎng)絡(luò)是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型，是由Rumelhart和McCelland首先提出的，是一種按誤差反向傳播算法進(jìn)行學(xué)習(xí)訓(xùn)練的多層前向（feedforward）網(wǎng)絡(luò)模型[9]，能夠?qū)崿F(xiàn)各種輸入-輸出關(guān)系的映射，而不需事前揭示這種映射關(guān)系的數(shù)學(xué)表達(dá)。它的學(xué)習(xí)規(guī)則是使用梯度下降法，通過誤差反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值w和神經(jīng)元的閾值b，使網(wǎng)絡(luò)的期望輸出和實(shí)際輸出誤差平方和最小。 BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input）、隱層（hide layer）和輸出層（output layer），隱層即中間層可以有多層，每層分布著多個神經(jīng)元，一個典型BP神經(jīng)網(wǎng)如圖1所示。

利用BP神經(jīng)網(wǎng)絡(luò)建模，首先確定網(wǎng)絡(luò)的結(jié)構(gòu)模式，包括網(wǎng)絡(luò)層次、輸入節(jié)點(diǎn)數(shù)n1、隱層節(jié)點(diǎn)數(shù)n2和輸出節(jié)點(diǎn)數(shù)n3。除了輸入層節(jié)點(diǎn)xi，每層的神經(jīng)元都有相似的結(jié)構(gòu)，用i，j，k分別作為輸入層、隱層和輸出層神經(jīng)元的典型代表，所有輸入xi（i=1～n1）通過權(quán)值wji與隱層神經(jīng)元j相連（j=1～n2），匯聚求和得到uj，當(dāng)和值超過閾值bj，神經(jīng)元j處于激活狀態(tài)，其激活狀態(tài)通過激活函數(shù)f（.）來實(shí)現(xiàn)，產(chǎn)生一個輸出yj， yj通過權(quán)值wkj與輸出層神經(jīng)元k相連（k=1～n3），與隱層相似，經(jīng)過匯聚求和（uk）激活函數(shù)得到實(shí)際輸出yk。

2.2 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程

對BP神經(jīng)網(wǎng)絡(luò)，一般采用有師指導(dǎo)的監(jiān)督學(xué)習(xí)模式，所謂監(jiān)督學(xué)習(xí)，就是給定輸入數(shù)據(jù)集xi和對應(yīng)的已知的輸出di（也稱期望輸出），訓(xùn)練網(wǎng)絡(luò)的權(quán)值w和偏置b，使其在輸入xi下，通過網(wǎng)絡(luò)產(chǎn)生的實(shí)際輸出yk與期望輸出dk的誤差最小，即學(xué)習(xí)訓(xùn)練的目的就是確定網(wǎng)絡(luò)的兩個參數(shù)：每個神經(jīng)元的連接權(quán)值w和偏置值b。為訓(xùn)練規(guī)范化，將偏置b作為一個特殊權(quán)值考慮，多設(shè)置一個輸入1， 而將偏置b作為第一個權(quán)值分量wj0處理，與w合成一個參數(shù)，所以本文中對每個神經(jīng)元要訓(xùn)練的參數(shù)只有w。網(wǎng)絡(luò)的學(xué)習(xí)可分為前向計(jì)算和反向傳播計(jì)算兩個過程。

（1）網(wǎng)絡(luò)的前向計(jì)算。

δk（t）是隱層相連的下一層k神經(jīng)元的靈敏度，wkj（t）是j節(jié)點(diǎn)與k節(jié)點(diǎn)之間的權(quán)值，（7）表明隱層靈敏度δj（t）是鄰接的輸出層所有靈敏度的加權(quán)和與激活函數(shù)導(dǎo)數(shù)之積，故需要先計(jì)算輸出層靈敏度δk（t），然后才能計(jì)算隱層靈敏度δj（t），如果有多層以此類推，這就是誤差梯度由輸出向輸入進(jìn)行的反向傳播。輸入層與隱層，隱層與輸出層的權(quán)值更新量Δw可以統(tǒng)一表達(dá)如下：

2.3 個性化服務(wù)評價神經(jīng)網(wǎng)絡(luò)的建立與訓(xùn)練

本文從三個維度兩個層次建立了圖書館的個性化服務(wù)質(zhì)量的18項(xiàng)評價指標(biāo)體系，服務(wù)對象根據(jù)自己期望得到的個性化服務(wù)和實(shí)際感知到的個性化服務(wù)對圖書館個性化服務(wù)按這18項(xiàng)指標(biāo)進(jìn)行評價打分，同時給出總體評價。一般可將總體服務(wù)質(zhì)量分為幾個等級，本文按5級分檔，由高到低依次是{優(yōu)秀，良好，中等，一般，較差}，所以個性化質(zhì)量評估建模實(shí)質(zhì)上就是建立18項(xiàng)指標(biāo)到5級分檔的映射關(guān)系，然而這種18維輸入-5維輸出的映射關(guān)系是一種非線性的，很難用數(shù)學(xué)方法表述，故本文采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行個性化質(zhì)量評估建模。

應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對圖書館的個性化服務(wù)質(zhì)量評估進(jìn)行建模，首先需要設(shè)計(jì)出BP神經(jīng)網(wǎng)的結(jié)構(gòu)模式，主要包括網(wǎng)絡(luò)層數(shù)和每層的節(jié)點(diǎn)數(shù)（神經(jīng)元數(shù)量），本文采用輸入—隱層—輸出三層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)，根據(jù)18項(xiàng)二級指標(biāo)，故可以確定輸入層節(jié)點(diǎn)數(shù)n1=18，而個性化評價等級分為{優(yōu)秀，良好，中等，一般，差}5個等級，網(wǎng)絡(luò)的輸出節(jié)點(diǎn)數(shù)可設(shè)為n3=5，隱層節(jié)點(diǎn)數(shù)n2的確定沒用什么專用方法可循，一般憑經(jīng)驗(yàn)或試驗(yàn)確定，一個經(jīng)驗(yàn)估計(jì)公式是：（n1+n3）1/2+a，（a=2～10為經(jīng)驗(yàn)常數(shù)），以這一估計(jì)公式為下限，取隱層節(jié)點(diǎn)數(shù)n2=20，如圖2所示。

采用50個精選樣本{xi，di}，其數(shù)據(jù)的組織如圖3所示，xi的18項(xiàng)評價數(shù)據(jù)按列形成輸入矩陣X，對應(yīng)期望輸出di按列形成評價等級標(biāo)簽D。

網(wǎng)絡(luò)訓(xùn)練采用梯度下降法，性能指標(biāo)為網(wǎng)絡(luò)輸出總誤差的平方和（見公式4），設(shè)定訓(xùn)練目標(biāo)即誤差的閾值Eth=10-4，圖4為個性化服務(wù)質(zhì)量評價神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程曲線，為均勻展示數(shù)據(jù)采用了對數(shù)坐標(biāo)。

對訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，每輸入一個服務(wù)對象的18項(xiàng)評價分?jǐn)?shù)，都將產(chǎn)生一個5項(xiàng)實(shí)際輸出y（1）～y（5），即屬于{優(yōu)秀，良好，中等，一般，差}的置信度，一般取最大者為預(yù)測的評價等級。

3 圖書館評價的實(shí)證分析

為了檢驗(yàn)評價模型的有效性，通過網(wǎng)上問卷調(diào)查的方式獲取每個服務(wù)對象對某圖書館的18項(xiàng)評價指標(biāo)的打分?jǐn)?shù)據(jù)，輸入到已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型，將獲得每個服務(wù)對象的網(wǎng)絡(luò)評價輸出。設(shè)第i個服務(wù)的評價結(jié)果即對應(yīng)的神經(jīng)網(wǎng)絡(luò)的輸出為yi=[yi（1），yi（2），yi（3），yi（4），yi（5）]，假設(shè)有N個服務(wù)對象評價樣本，則總體樣本屬于有優(yōu)秀、良好、中等、一般和較差的均值為：

（8）

這里測試獲取的樣本數(shù)N=150個，按公式（8）計(jì)算服務(wù)對象的的最后評價均值ym={0.520，0.853，0.420，0.133，0.126}，取5項(xiàng)之中的最大值，最后評價應(yīng)該是“良好”。另外一種處理方法是不求平均值，把輸出看做條件概率p，求其乘積，然后取其最大值，為防止小數(shù)位數(shù)過多，計(jì)算中可取對數(shù)，即：

（j=1，2，3，4，5） （9）

評價結(jié)果=max{p1，p2，p3，p4，p5}，針對同一批實(shí)證數(shù)據(jù)，按公式（9）得到的概率分布pj={0.301，0.413，0.115，0.008，0.005}，取對應(yīng)最大值的評價結(jié)果的等級為“良好”。

以上是直接將樣本指標(biāo)數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)評價模型取得的綜合評價結(jié)果，在進(jìn)行150個測試樣本采樣時，給出18項(xiàng)指標(biāo)分?jǐn)?shù)的同時讓服務(wù)對象給出優(yōu)秀、良好、中等、一般、較差的總體評價，其數(shù)據(jù)如表2所示。

從表2可以看出實(shí)證分析的圖書館的個性化服務(wù)獲得“良好”評價的數(shù)量最多，這和通過指標(biāo)打分的神經(jīng)網(wǎng)絡(luò)模型預(yù)測的結(jié)果一致，所以本模型對服務(wù)對象評價是有效可行的，在實(shí)際應(yīng)用過程中，不需要用戶輸入總體評價，只輸入指標(biāo)的評價分?jǐn)?shù)就可以得到服務(wù)質(zhì)量的總體評價。

4 結(jié)語

針對圖書館新一代個性化服務(wù)的內(nèi)涵，從三個維度建立了18項(xiàng)服務(wù)質(zhì)量的評價指標(biāo)，為實(shí)現(xiàn)18項(xiàng)評價分?jǐn)?shù)到五級服務(wù)質(zhì)量的映射，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)建立了評價模型，通過對150個某圖書館的個性化評價結(jié)果的實(shí)證分析，驗(yàn)證了本文建立模型的有效性，可以用于圖書館個性化服務(wù)質(zhì)量的評價。

參考文獻(xiàn)

[1] 晁亞男.大數(shù)據(jù)環(huán)境下數(shù)字圖書館服務(wù)情境建構(gòu)的新內(nèi)涵與新方式[J].圖書館學(xué)研究，2017（24）：32-36+24.

[2] 龍斌.“互聯(lián)網(wǎng)+”背景下高校圖書館學(xué)科服務(wù)發(fā)展策略研究[J].圖書館學(xué)刊，2018（10）：91-94.

[3] 吳錦輝.基于微信公眾號推文內(nèi)容的高校圖書館服務(wù)創(chuàng)新分析[J].情報探索，2018（12）：103-108.

[4] 涂靜.高校圖書館個性化服務(wù)評價指標(biāo)體系研究[D].西南交通大學(xué)，2016.

[5] 宋蔓蔓，李正琪.高校圖書館個性化推薦服務(wù)評價標(biāo)準(zhǔn)研究[J].統(tǒng)計(jì)與管理，2015（10）：103-104.

[6] 周玲元，閆思琪，朱翔宇.“智慧圖書館”情境感知服務(wù)模式及評價研究[J].圖書館學(xué)研究，2017（21）：23-30.

[7] 李寧，高沨.高校圖書館個性化信息服務(wù)評價體系研究[J].江蘇科技信息，2013（24）：24-25+27.

[8] 唐美榮.基于LibQUAL～（+TM）的高校移動圖書館服務(wù)質(zhì)量評價探析[J].圖書情報導(dǎo)刊，2017，2（02）：42-46.

[9] 蘇麗冰.BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)綜述[J].信息與電腦（理論版），2013，（06）：110-111.

Abstract：This paper constructs an evaluation index system through the analysis of the new generation of personalized services in libraries， and establishes an overall evaluation model of personalized services by using BP neural network. The model completes the training of the neural network through selected labeled samples， and can output five-level overall evaluation results. Through the analysis of the evaluation results of the samples， it can be concluded that the established neural network model can effectively evaluate the input evaluation data of each library customer， and provide a reasonable classification of excellent， good， medium， general and poor grades， which can be used for the evaluation of library personalized service quality.

Key words：library； personalized service； neural network； evaluation model