基于文本分詞樸素貝葉斯分類的圖書采訪機制探索

王紅　王雅琴　黃建國

DOI：10.3969/j.issn.1008-0821.2021.09.008

[中圖分類號]G253.1 [文獻標(biāo)識碼]A [文章編號]1008-0821（2021）09-0074-10

1引言

1.1問題提出

圖書采訪是一項嚴(yán)謹?shù)目茖W(xué)決策工作，尤其是在確定每一類目圖書的采訪數(shù)量或預(yù)算后，面對大量差異化趨小、同質(zhì)化嚴(yán)重的圖書品種，優(yōu)選出流通利用率高、符合圖書館性質(zhì)、任務(wù)等建設(shè)方向且綜合評價較高的圖書，成為圖書采訪過程中面臨的主要任務(wù)。

流通數(shù)據(jù)作為讀者需求直接映射結(jié)果.在采訪實踐中，常常作為分類知識的采訪數(shù)量提供參考，然而，流通數(shù)據(jù)對具體圖書品種的選擇，卻很難提供數(shù)據(jù)支持。迫使采訪人員把具體圖書品種選擇的依據(jù)轉(zhuǎn)為從讀者需求人手，通過各種手段收集需求數(shù)據(jù)，并采用各種研究工具預(yù)測讀者需求。但在面臨具體圖書品種，不能充分挖掘和利用真實的需求數(shù)據(jù)隱含的參考價值，而是依賴讀者的需求意愿，通過需求調(diào)查或者讀者參與采訪等手段作為遴選圖書的依據(jù)，導(dǎo)致圖書采訪結(jié)果的信度降低，最終影響采訪效率。

采用成熟的人工智能算法，挖掘利用隱含在流通數(shù)據(jù)中讀者需求的信息，以此轉(zhuǎn)化為遴選圖書的依據(jù)，不僅使圖書采訪有了可靠的客觀依據(jù)，而且有利于把握復(fù)雜多變的讀者需求，為進一步研究讀者需求規(guī)律，探索圖書采訪的決策分析，提供嚴(yán)謹?shù)倪壿嬕罁?jù)和量化決策指標(biāo)，打造堅實的理論和應(yīng)用保障。

1.2問題引入

圖書采訪作為一項決策活動，決策對象是待采訪圖書，決策內(nèi)容是選擇具有較高流通潛力的圖書。圖書采訪決策的核心問題是基于怎樣的原理，采用何種方式，能夠科學(xué)、客觀、嚴(yán)謹?shù)貙γ恳环N待采訪圖書的流通趨勢進行量化描述，并根據(jù)量化結(jié)果，優(yōu)選出最具有流通潛力的圖書。

讀者需求和圖書流通，是同一問題互為矛盾互為依存的兩種表述視角，讀者需求的行為結(jié)果就是圖書流通的表現(xiàn)結(jié)果。但是，由于讀者需求具有需求意愿和需求行為兩個過程，與采用讀者需求意愿相比，采用需求行為結(jié)果對具體的圖書需求品種預(yù)測更具有可信度和說服力。

圖書館對館藏圖書流通的掌控和了解程度，相對于讀者需求意愿而言，有著更加充分有力、令人信服的客觀記錄數(shù)據(jù)基礎(chǔ)。館藏圖書有確定的知識內(nèi)容及其描述信息，館藏圖書流通有詳實的記錄數(shù)據(jù)，依據(jù)館藏圖書的客觀描述和流通等數(shù)據(jù)比通過收集探索讀者需求等主觀因素數(shù)據(jù)，分析圖書流通規(guī)律與趨勢更具有堅實的基礎(chǔ)和可靠保障。

在對圖書流通現(xiàn)象內(nèi)在規(guī)律和機制充分了解之前，某種圖書發(fā)生流通的事件，只能稱之為有限觀察范圍內(nèi)的一種隨機事件。隨機事件既有偶然性的一面，又具有必然性的一面，這種偶然性意味著隱藏在圖書流通現(xiàn)象背后的讀者需求規(guī)律尚未能被揭示，必然性則表明，復(fù)雜且毫無頭緒的圖書流通現(xiàn)象，具有統(tǒng)計學(xué)意義的規(guī)律尚待挖掘。

1.3問題分析

圖書采訪最主要任務(wù)，是不斷補充具有流通潛力的館藏，認識了解圖書流通的形成機制和特征，是識別圖書流通潛力的基礎(chǔ)和前提。圖書流通是由圖書和讀者兩個圖書館客體對象互動的結(jié)果，相對于讀者需求意愿與行為，圖書具有穩(wěn)定的客觀特征，從圖書自身角度，圖書是包含固定知識內(nèi)容的載體。從圖書館館藏管理角度來看，圖書是由MARC數(shù)據(jù)標(biāo)識的管理對象;從讀者視角，圖書只是擁有各種不同名稱的知識載體，一種館藏圖書發(fā)生流通之前，讀者對該圖書內(nèi)容的了解程度，主要有3種情況：一是從未聽說該種圖書，但通過圖書的封面上題名項等信息，對圖書承載的知識內(nèi)容有了初步的認識;二是讀者通過各種渠道，對該種圖書承載的知識內(nèi)容有一定的了解，但并不知曉圖書的內(nèi)容細節(jié);三是閱讀過該圖書，因為各種不為圖書館所知的原因，再次借閱該圖書。從圖書采訪角度來看，圖書采訪補充的圖書種類，主要是讀者從未閱讀知曉的新書。

一般情況下，對一種圖書發(fā)生流通的陳述是，圖書被有獲取圖書承載知識內(nèi)容需求的讀者借閱。這種陳述隱含兩個重要的前提：一是讀者需求背后有著復(fù)雜的需求動機和目的;二是讀者需求目標(biāo)是圖書所在類目的知識，被借閱的圖書僅僅是讀者對該類知識載體的一種選擇。由此可知，圖書發(fā)生流通的機制主要在于，一種圖書能夠展示給讀者的內(nèi)涵表征信息，成為決定該種圖書被讀者選中借閱的關(guān)鍵因素。圖書傳遞給讀者的信息，由兩個途徑構(gòu)成：一是圖書與讀者的直接互動，通過讀者觀察和翻閱瀏覽，把圖書自身攜帶的基本描述信息和知識內(nèi)容展示給讀者后，最終形成圖書的流通結(jié)果;二是讀者查看圖書的題名、簡介，或從其他相關(guān)渠道了解的內(nèi)容，既包括圖書內(nèi)容的基本描述性信息，也包括圖書內(nèi)容簡介或部分內(nèi)容信息，以及圖書可能發(fā)揮的作用與功能等內(nèi)容。

從圖書流通形成的機制可以看出，一種圖書是否發(fā)生流通，與這種圖書所在的相同知識分類中的其他圖書之間，具有競爭和相互影響的關(guān)系，與其他分類圖書之間沒有任何關(guān)系。因此，在既不能把握和調(diào)控讀者主觀意愿，也不能了解圖書流通現(xiàn)象內(nèi)在機理和規(guī)律的情況下，從具體知識類目下的館藏基本知識描述信息入，通過考察不同館藏的流通規(guī)律分析，探索具有類似描述信息的待采訪圖書流通潛力，具有操作的可行性和邏輯的充分性。

1.4問題假設(shè)與定義

由于圖書采訪的目標(biāo)是選購具有流通潛力的圖書，因此，本研究提出一種假設(shè)，一種圖書流通競爭潛力的影響因素，是圖書所在具體分類的類目中，由圖書封面的題名、作者和出版機構(gòu)3個要素對讀者綜合作用的結(jié)果。因此，圖書采訪決策活動可以表述為：

定義1：設(shè)Acq={x₁，x₂，…，x_i為全部待決策圖書集合，總計有i種待選圖書，x_i為每一種待決策圖書，每一個待決策圖書x={a₁，a₂，…，a_m}，n為待決策圖書z有m維屬性特征（即題名等），圖書采訪決策，就是根據(jù)a_m承載的信息，判斷x_i未來流通潛力，對x_i做出購買Buy或不購買Nobuy的二元分類判斷，使Acq集合中每一個對象x，都擁有一個新的分類屬性（購買或不購買）。其中，圖書的屬性特征維度m，是對圖書形式和內(nèi)容所承載全部信息，依據(jù)一定分類規(guī)則做出的多維特征劃分。

2相關(guān)研究

圖書館發(fā)展困境之一是資源采訪環(huán)節(jié)存在問題，影響了圖書館資源建設(shè)的效率和質(zhì)量，對圖書館各項職能的發(fā)揮產(chǎn)生影響。王紫劍、李穎、毛靜華等分別從圖書采訪和出版發(fā)行角度，對圖書采訪人員素質(zhì)提出了要求和解決的途徑。而基于圖書自身承載的特征數(shù)據(jù)要素，開展圖書采訪的研究，常見的關(guān)注點主要以提升采訪圖書質(zhì)量為目標(biāo)，集中在圖書分類特征、出版機構(gòu)特征和作者特征分析。相關(guān)研究主要體現(xiàn)在圖書特征要素篩選、圖書價值分析等方面的探索。蔡時連認為文獻出版發(fā)行信息是文獻的核心和實質(zhì)，分為內(nèi)部特征和外部特征，涵蓋了出版機構(gòu)、發(fā)行機構(gòu)、價格、作者、版次、印刷單位、裝幀和書號等，以及標(biāo)題、摘要、前言、目錄和內(nèi)容部分及其科學(xué)價值等。樊國萍認為，書目信息經(jīng)過信息的制作、傳遞與利用3個主要環(huán)節(jié)，在流動中信息的損耗難以避免。許繼新在分析判斷圖書學(xué)術(shù)價值的途徑后，提出判斷圖書效能要素從高到低依次為核心著者、核心出版社和著作方式。王紅等提出圖書館現(xiàn)有的數(shù)據(jù)絕大部分為有標(biāo)記數(shù)據(jù)，其中館藏主要是由MARC數(shù)據(jù)標(biāo)準(zhǔn)控制的標(biāo)記數(shù)據(jù)，根據(jù)館藏、讀者和流通數(shù)據(jù)，可揭示館藏、流通和知識分布規(guī)律。馬費成等認為在當(dāng)前的研究方向中，采用詞頻分析法，利用文獻核心內(nèi)容的關(guān)鍵詞或主題詞出現(xiàn)的頻次，能夠發(fā)現(xiàn)研究熱點和發(fā)展動向。吳越提出利用數(shù)據(jù)挖掘的方法，構(gòu)建高校圖書館圖書采訪決策模型，能夠幫助采訪館員發(fā)現(xiàn)模型與數(shù)據(jù)之間聯(lián)系的思路。胡楊注意到零借閱率圖書作為動態(tài)分析數(shù)據(jù)，其存在有必然性和客觀性。

3相關(guān)原理

圖書的分類特征內(nèi)容主要由自然語言構(gòu)成?；谧匀徽Z言開展人工智能分類分析，首先需要利用自然語言處理分析技術(shù)，對圖書特征描述進行量化處理，然后再利用人工智能技術(shù)開展分類研究。

3.1自然語言分析處理技術(shù)

自然語言處理是人工智能領(lǐng)域的重要組成部分，已經(jīng)在信息索引、文本分類、機器翻譯、搜索引擎、對話系統(tǒng)等領(lǐng)域取得長足進步。其中，具有堅實數(shù)學(xué)理論支撐和可量化分析技術(shù)的統(tǒng)計自然語言處理技術(shù)異軍突起，通過利用學(xué)習(xí)人類已經(jīng)形成的語言資料，成為探索自然語言規(guī)律的最基礎(chǔ)理論。

分詞技術(shù)、信息提取和文本分類是自然語言處理的核心技術(shù)。中文分詞就是對中文斷句，分出來的詞語，往往來自詞典為主的詞表，中文分詞最簡單的方法是直接匹配詞表，返回此表中最長詞語;信息提取就是把文本里包含的信息點進行結(jié)構(gòu)化處理，變成可利用表格進行信息組織的形式，以利于數(shù)據(jù)庫存儲和處理;信息點指文本中的事件、實體的關(guān)系;文本分類是指按照一定的分類體系或標(biāo)準(zhǔn)對文本進行自動分類標(biāo)記。

關(guān)鍵詞提取可以發(fā)現(xiàn)文本數(shù)據(jù)重要特征，信息提取主要內(nèi)容是關(guān)鍵詞提取，TF-IDF（Term Fre-quency-Inverse Document Frequency）.詞頻一逆文檔頻率，基于語料進行關(guān)鍵詞提取模型訓(xùn)練的方法，是比較成熟和常用的關(guān)鍵詞提取方法。作為一種關(guān)鍵詞統(tǒng)計提取方法.用以評估一個詞語對于文件集或語料庫中一份文件的重要程度。計算公式如下：

其中，w代表給定詞語，詞頻TF表示在一個文檔或語料庫中，給定詞語在本文檔內(nèi)的重要程度，即給定詞語出現(xiàn)的頻率，是該詞語出現(xiàn)的次數(shù)，與該文檔出現(xiàn)最多次數(shù)詞語的次數(shù)之比。逆文檔頻率IDF表示在全部文檔中或語料庫中，給定詞語對每一個文檔或語料庫的重要程度，是由文檔的總數(shù)量除以包含給定詞語的文檔數(shù)量，再對計算結(jié)果取對數(shù)。由于IDF是對一個大于或等于1的數(shù)值取對數(shù)，其結(jié)果是一個大于0的值域，這不僅意味著包含給定詞語的文檔數(shù)量越少，IDF數(shù)值越大，也表明給定詞語越能夠代表該文檔獨特的特征。TF-IDF通過計算全部詞語在本文檔的重要性和獨特性的量化關(guān)系，按照計算結(jié)果降序排序和選擇關(guān)鍵詞個數(shù)，就得到代表每個文檔特征的關(guān)鍵詞集合。

文本分類一般包括兩分類和多分類，如確定是否購買一本書，就是買或不買兩種分類;而確定一本書是圖書分類法中的哪種分類，就是多分類。文本分類是當(dāng)前機器學(xué)習(xí)領(lǐng)域相對成熟的技術(shù)，主要原理是利用計算機，在已有分類的數(shù)據(jù)基礎(chǔ)上，對數(shù)據(jù)特征的學(xué)習(xí)模型進行訓(xùn)練，最終使模型能夠?qū)ξ催M行分類的數(shù)據(jù)擁有較高的預(yù)測能力。常見的分類方法主要有神經(jīng)網(wǎng)絡(luò)、支持向量機、k近鄰和樸素貝葉斯分類，其中支持向量機適合長文本分類，樸素貝葉斯適合短文本分類。

3.2文獻—詞項矩陣

文獻—詞項矩陣（Document-term Matrix）是詞共現(xiàn)矩陣的一種形式，不同文檔構(gòu)成矩陣的行，不同詞項構(gòu)成矩陣的列。文獻矩陣的含義如表1所示，其中Books代表文檔，Keywords代表詞項，a代表文檔中對應(yīng)詞項的統(tǒng)計值。詞項一文獻矩陣以矩陣形式的表達式如下：

文獻一詞項矩陣把自然語言描述和表達的對象.通過詞項方式予以量化規(guī)范表達，使得復(fù)雜的文本對象擁有了標(biāo)準(zhǔn)的數(shù)學(xué)表示方法，為利用機器學(xué)習(xí)模型開展各種量化分析和研究，提供了基本保障。

3.3概率論與樸素貝葉斯分類

印度著名圖書館學(xué)家阮岡納贊1966年在《圖書館書刊選擇》中提出：負責(zé)圖書采購的圖書館員或教師，應(yīng)該注意到選購圖書對于讀者使用該書的概率性。樸素貝葉斯分類（Naive Bayes）是當(dāng)今人工智能監(jiān)督學(xué)習(xí)的重要算法，被選人數(shù)據(jù)挖掘的十大算法之一。樸素貝葉斯分類源于古典數(shù)學(xué)理論，有著堅實的數(shù)學(xué)基礎(chǔ)，在利用給定帶有類別向量的對象集合，判斷未曾見過對象的類別方面，具有成熟穩(wěn)健、易于構(gòu)造、容易理解、分類效果極佳的優(yōu)勢。

樸素貝葉斯分類依據(jù)的貝葉斯定理，是概率論的基本原理。貝葉斯定理描述真實世界的考慮，就是承認人類認知能力的有限性，既無法對每件事情都做出測量，也無法讓每件事都可以重復(fù)發(fā)生。人們只能依據(jù)某種有限的經(jīng)驗，估計未來即將發(fā)生事件的可能性。其思路是，當(dāng)不能準(zhǔn)確知悉一個事物的本質(zhì)時，可以依靠與事物特定本質(zhì)相關(guān)的事件出現(xiàn)的多少去判斷其本質(zhì)屬性的概率，即支持某項屬性的事件發(fā)生得愈多，則該屬性成立的可能性就愈大。比如一個工科高校，在圖書采訪面對一種TP18人工智能類目的圖書時，如果不考慮其他任何因素，此種圖書是否會發(fā)生流通時間的概率只能各占50%，如果增加出版社的條件，采訪館員根據(jù)對出版社儲備的知識與經(jīng)驗，即可判斷出此種圖書的出版社為“清華大學(xué)出版社”的流通發(fā)生概率，將遠遠大于“人民教育出版社”的流通概率。

貝葉斯定理的數(shù)學(xué)形式也極為簡單，通過先驗概率和條件概率，得到事件發(fā)生的后驗概率：

其中，B和C為隨機事件，應(yīng)用在圖書館管理工作，可以把B解讀為圖書或館藏，把C解讀為購買或流通。

樸素貝葉斯進行分類，就是計算所有的P（C|B），找到最大條件概率c，即arg maxP（c|b），即樸素貝葉斯分類公式：

其中，c∈C、b∈B，通過類別c發(fā)生情況下6發(fā)生的條件概率P（b|c）和先驗概率P（c），得到c的P（c|b）的最大值。

樸素貝葉斯分類在實際應(yīng)用中，由于實際觀察的有限性，以及樣本數(shù)量較少，常常會出現(xiàn)實際樣本中，b=w₁，w₂，…，w_n，隨機事件b的屬性特征劃分，并不能涵蓋新樣本的屬性特征劃分w_n+1的情況，造成P（b|c）=0的情況，由于不能因為沒有觀察記錄，就認為該事件出現(xiàn)的幾率為零，在利用樸素貝葉斯分類時，也必須確保詞項的條件概率非零，一般采用貝葉斯分類的平滑技術(shù)即拉普拉斯平滑技術(shù)，對每個類別下所有劃分的計數(shù)加1，在訓(xùn)練樣本集數(shù)量較大時，并不會對結(jié)果產(chǎn)生影響，并且解決了P（b|c）=0的問題，提高了樸素貝葉斯分類的精度。

4研究方法

4.1研究數(shù)據(jù)與工具

待采訪圖書數(shù)據(jù)，來自2018年太原市新華書店的新書書單，館藏數(shù)據(jù)和流通數(shù)據(jù)來自太原科技大學(xué)2018年以前全部數(shù)據(jù)。本研究根據(jù)太原科技大學(xué)以理工為主的特點，結(jié)合近年來人工智能技術(shù)成為熱點等因素，選擇TP18類圖書的館藏和流通數(shù)據(jù)作為研究的基礎(chǔ)依據(jù)，并把新華書店TP18類全部新書作為待采訪書單，開展采訪分析。中文分詞的詞典和停詞表，是基于系統(tǒng)自帶的詞典，結(jié)合通過自定義方式。

研究的工具采用Windows7系統(tǒng)上的64位R語言4.0版本，在R語言的IDE工具RStudio上展開，數(shù)據(jù)以兩種方式存儲：一是存放在數(shù)據(jù)庫中：二是以CSV格式文件存儲。其中數(shù)據(jù)庫中的數(shù)據(jù)是為了動態(tài)分析，CSV格式文件存儲的數(shù)據(jù)，可以重復(fù)實驗過程。數(shù)據(jù)庫采用Mysq16.0版本，數(shù)據(jù)在數(shù)據(jù)庫中的字符編碼為UTF-8。中文分詞技術(shù)采用Jie-ba分詞的R語言版本的字典，TF-IDF、詞項一文本矩陣和樸素貝葉斯分類和預(yù)測等，采用R語言tm包提供的相關(guān)函數(shù)與工具。

4.2研究思路

樸素貝葉斯方法，只關(guān)注初始分項和分析結(jié)果，圖書采訪的分析結(jié)果，就是在具有相同的知識分類下，計算每種圖書未來潛在的流通率，并通過相互比較，選擇潛在流通率更高的圖書。

定義2：具體類目下的館藏圖書集合I={y₁，y₂，…，y_j，y_j為館藏圖書，總計有j種館藏圖書，每種館藏y_j={a₁，a₂，…，a_m，classify}，a為館藏圖書x有m維屬性特征，classify為分類項，分類項是指y_j是否發(fā)生流通事件，用circ和nocirc兩個不連續(xù)變量對館藏圖書進行分類。

每種圖書都有基本劃分，即有流通和無流通的兩種分項，有兩個分項向量構(gòu)成全部的向量空間;同時又有多項特征第二種分項，同一知識類目下的館藏圖書和待采訪圖書的全部特征，構(gòu)成第二種分項的向量空間?；跇闼刎惾~斯分類，首先，利用流通數(shù)據(jù)，進行模型訓(xùn)練;其次，對待采訪圖書進行是否具有流通潛力的預(yù)測，第三，根據(jù)每種圖書的潛在流通概率，優(yōu)選出具有更高流通潛力的圖書。

4.2.1邏輯起點

對圖書采訪而言，圖書的表征就是發(fā)生圖書流通的先決條件。一種圖書承載的知識內(nèi)容特點，雖然由大量詞語組合而成，但概括而言，圖書題名、內(nèi)容簡介、知識分類等圖書基本描述，高度集成了圖書承載的知識內(nèi)容與特點，讀者初識一種剛剛出版的圖書，也是通過圖書這些表征，開始知曉和推測圖書可能承載知識內(nèi)容與特點。因此，任何讀者認識一種圖書的知識內(nèi)涵，都是以讀者發(fā)現(xiàn)和了解圖書的表征為邏輯起點，圖書在借閱和閱讀的過程中，實現(xiàn)知識轉(zhuǎn)移和傳承，是圖書發(fā)揮價值后的邏輯終點。

4.2.2圖書特征分析篩選

圖書內(nèi)容構(gòu)成圖書特征，圖書特征通過圖書描述數(shù)據(jù)得以集中體現(xiàn)。為了減少模型計算量，利用圖書描述信息的兩種規(guī)范數(shù)據(jù)進行前期的優(yōu)化篩選。圖書描述信息主要有：一是針對出版行業(yè)的圖書在版編目數(shù)據(jù)（CIP）;二是針對圖書館行業(yè)的機讀目錄數(shù)據(jù)（MARC）。鑒于待采訪圖書承載的知識內(nèi)容，對于讀者尚處于未知階段，圖書特征主要選擇圖書外觀上的數(shù)據(jù)，包括題名、副題名、著者、出版機構(gòu)、叢編、分輯和價格7項指標(biāo)。

4.3研究原理

圖書采訪決策，就是利用有關(guān)數(shù)學(xué)原理和機器學(xué)習(xí)方法基礎(chǔ)，根據(jù)館藏圖書的特征分量，對圖書流通產(chǎn)生的影響，預(yù)測待采訪圖書特征分量可能的流通趨勢。

樸素貝葉斯分類的分析原理，把該類館藏圖書劃分為有流通和無流通兩類，并利用圖書館可觀察記錄，分析每一種圖書的特征分量。每一種圖書特征分量的表達，就是對所有館藏圖書的題名，利用分詞技術(shù)獲取關(guān)鍵詞，通過關(guān)鍵詞、著者和出版機構(gòu)名稱，表現(xiàn)一種圖書的全部特征。由于著者和出版機構(gòu)是專有名詞，不可分詞，題名中的關(guān)鍵詞，就是每一種圖書的特征劃分。如題名為“不完備信息系統(tǒng)知識獲取的粗糙集理論與方法”的圖書特征劃分，去掉沒有實際意義的虛詞、助詞、介詞等，就是“不完備”“信息系統(tǒng)”“知識獲取”“粗糙集”“理論”“方法”6個基本劃分組成，這6個特征與著者和出版機構(gòu)，共同組成此種圖書的綜合描述內(nèi)容。把能收集到且包括全部館藏的TP18類圖書的題名進行分詞并刪除重復(fù)項，構(gòu)成文獻一詞項矩陣。學(xué)習(xí)訓(xùn)練集是人工智能采訪系統(tǒng)進行深度學(xué)習(xí)訓(xùn)練的依據(jù)。把帶有是否發(fā)生流通分類項的館藏數(shù)據(jù)分為訓(xùn)練集和測試集，依據(jù)文獻一詞項矩陣，進行樸素貝葉斯計算，并找到分類最大概率，評估樸素貝葉斯分類模型，并利用模型對文檔詞項矩陣中的待采訪圖書進行預(yù)測分類，就可得到能夠量化解釋的采訪決策書單。

5研究過程

5.1數(shù)據(jù)現(xiàn)狀與特征篩選

圖書館TP18類目館藏圖書的基本指標(biāo)情況是，總計有249種圖書，其中，從未發(fā)生流通的53種，大約占該類館藏數(shù)量的21%，發(fā)生流通的196種，大約占該類館藏數(shù)量的79%，流通次數(shù)總計3742次。出版機構(gòu)覆蓋了51個，館藏圖書中最多的是“科學(xué)出版社”，達到57種圖書，大約占館藏數(shù)量的22%，如表1所示。著者總計有229組，館藏中最多有3種圖書，占館藏數(shù)量的1.16%，如表2所示。

圖書館TP18類館藏流通覆蓋196種館藏，每種館藏平均利用19次，采用流通次數(shù)作為統(tǒng)計指標(biāo)，會進一步加劇有流通和無流通分類館藏數(shù)量之間的失衡，可能導(dǎo)致強化優(yōu)勢分類弱化劣勢分類特征情況的發(fā)生，因此，只對館藏是否有流通進行標(biāo)識，而不對館藏流通次數(shù)進行統(tǒng)計。

館藏特征的提取與淘汰，取決于各分項數(shù)據(jù)的具體狀況。館藏圖書題名項是本研究重點關(guān)注的分項指標(biāo)：出版機構(gòu)作為館藏圖書的一種特征分項劃分，從統(tǒng)計指標(biāo)來看，能夠?qū)︷^藏進行差異化分組，可以作為獨立開展分析的一項特征納入分析視野。著者特征雖然是圖書的重要特征，但由于著者特征在館藏中出現(xiàn)頻率普遍偏低，最多僅占1.2%，幾乎一種圖書一個分項，統(tǒng)計差異性過小，而且本研究只限定一種圖書是否發(fā)生流通的現(xiàn)象，而未擴展到流通的次數(shù)問題，因此，著者特征無法作為明顯特征開展分析，只能棄用。

5.2構(gòu)建圖書特征語料庫

語料來源主要包括圖書館館藏圖書和待采訪圖書的題名和出版機構(gòu)，館藏圖書根據(jù)流通歷史分為有流通和無流通兩個分類項，分別標(biāo)記為circ和nocirc;待采訪圖書為無分類項的待預(yù)測數(shù)據(jù)，分類項在系統(tǒng)中為空白項。表3為全部數(shù)據(jù)內(nèi)容，其中包括館藏數(shù)據(jù)249條，待采訪圖書數(shù)據(jù)275條。數(shù)據(jù)內(nèi)容由題名和出版機構(gòu)數(shù)據(jù)構(gòu)成。

利用自然語言的中文分詞技術(shù)，提取題名關(guān)鍵詞，對分詞后的題名關(guān)鍵詞和出版機構(gòu)等語料，利用式（1）進行TF-IDF值的計算和排序，建立語料庫，形成如表4所示的內(nèi)容。語料庫把每種圖書的題名分解為多個關(guān)鍵詞，這些關(guān)鍵詞分別表明了人工智能類圖書內(nèi)容的視角、層次、功能、手段等訴求，這些訴求給圖書提供了確定性的特征劃分，是識別圖書流通潛力的重要依據(jù)。

5.3構(gòu)建文獻—詞項矩陣

文獻—詞項矩陣采用多變量伯努利事件空間方式，在表現(xiàn)形式上，式（2）中的a_mn元素數(shù)值都是以0和1表示，由于觀察事件的有限性，矩陣的形式具有較強的稀疏性，為了節(jié)省計算機內(nèi)存開銷和運行效率，并不對矩陣進行密集轉(zhuǎn)換。

表5是部分館藏圖書的文獻—詞項矩陣，根據(jù)館藏圖書的id，利用式（2），對圖書特征分項關(guān)鍵詞形成的分類項目，建立稀疏矩陣，包括524個文檔，697個詞項，意味著這個矩陣在不包括流通分類項情況下，是一個524*697的矩陣，697個詞項表明在現(xiàn)有的語料基礎(chǔ)上，TP18人工智能類圖書的細節(jié)特征達到697個，利用現(xiàn)有249種館藏的流通現(xiàn)狀，分析館藏圖書流通現(xiàn)狀與這697個特征之間的聯(lián)系，就可為圖書流通潛力的分析打開重要的窗口。

5.4訓(xùn)練評價樸素貝葉斯分類模型

作為圖書采訪決策，目標(biāo)是對納入采購計劃的圖書予以量化評價，以及對評價本身的可靠性給出明確的量化指標(biāo)。因此，圖書采訪決策更加關(guān)注模型分類結(jié)果中，有流通潛力圖書的量化指標(biāo)及其評價。

隨機選取館藏圖書數(shù)據(jù)集的70%作為訓(xùn)練集，剩余30%作為驗證集，把數(shù)據(jù)輸入樸素貝葉斯分類模型，利用式（5），訓(xùn)練樸素貝葉斯分類模型。模型的靈敏性、精度、假陽性等指標(biāo)，采用2×2列聯(lián)表方式，對模型計算結(jié)果進行統(tǒng)計。圖1是采用R語言Gmodels包中的CrossTable函數(shù)進行模型評估得到的結(jié)果。

在納入統(tǒng)計的69種具有明顯特征的館藏中，包含53種標(biāo)識為有流通（circ）館藏和16種標(biāo)識為無流通（nocirc）。樸素貝葉斯分類模型表現(xiàn)出明顯的分類靈敏性，53種有流通的館藏預(yù)測接近60%，16種無流通的館藏預(yù)測62.5%。

圖書采訪決策關(guān)注的重點主要是模型最終預(yù)測結(jié)果的37種圖書，這37種圖書評價指標(biāo)的可靠性就是圖書采訪最終結(jié)果的評價。從預(yù)測結(jié)果看，模型的精度接近83.78%，假陽性僅為16.22%，這樣的結(jié)果表明，采用樸素貝葉斯分類方法開展圖書采訪，在TPl8分類采購的圖書中，真正具有流通潛力的圖書達到83.78%，而沒有流通潛力卻購人的圖書僅占16.22%。

5.5預(yù)測采訪圖書

利用定義1，把待采訪書單數(shù)據(jù)模型化，根據(jù)訓(xùn)練好的樸素貝葉斯分類模型，對275種待選的采訪圖書進行分類預(yù)測，得到模型推薦的有流通潛力的131種圖書書單。從模型的靈敏度和假陽性判斷，可以對本次TPl8類圖書采訪，進行總體量化判斷和評價，其中至少109種圖書具有流通潛力，僅有22種圖書不具有流通潛力;也表明，每一種被選中購買的圖書，只有16.22%的概率，不具有流通潛力。對于模型推薦的131種TP18類圖書，采訪人員可以根據(jù)前期預(yù)置的該類目計劃采訪種類和數(shù)量，參考其他采訪約束條件挑選圖書。

6研究結(jié)論

本研究采用中文分詞技術(shù)提取館藏圖書特征，并利用樸素貝葉斯分類方法，依據(jù)館藏流通數(shù)據(jù)，探索和驗證圖書自身承載描述信息對流通產(chǎn)生的影響和作用規(guī)律，并依據(jù)模型預(yù)測待采訪圖書的流通潛力，研究結(jié)論如下：

在圖書采訪選書階段，利用樸素貝葉斯理論和方法，能夠暫時不考慮讀者因素，僅僅依據(jù)館藏流通動態(tài)，在流通數(shù)據(jù)和圖書品種選擇之間，直接建立起基于概率論原理的因果量化關(guān)系。本研究得到的新書流通趨勢判斷結(jié)論.形成一個全新的參照系.為進一步針對促成圖書流通的讀者驅(qū)動因素，深入探索讀者需求動機發(fā)生、表達、實施的機制，提供了數(shù)據(jù)層面的驗證和參考指標(biāo)。對題名、出版、內(nèi)容摘要等圖書描述信息，利用中文分詞技術(shù)進行關(guān)鍵詞切分和提取，不僅能夠為進一步開展機器學(xué)習(xí)等人工智能探索提供可能，還為圖書多維分類，深入到圖書內(nèi)容層面開展語義和邏輯分析，提供了必要的方法支撐和無限的可能。

從本研究的數(shù)據(jù)分布偏移程度來看，靜態(tài)數(shù)據(jù)中，同一圖書分類下的出版社特征過于集中，而作者特征分布較為松散，圖書的知識描述特征相對比較適中;動態(tài)流通則表現(xiàn)為出版社特征較為明顯的趨勢。表明圖書館采訪選書的原則偏重出版社因素并兼顧知識分布的廣度，館藏圖書及建設(shè)特征和讀者群體特征相對穩(wěn)定，讀者知識需求呈現(xiàn)連續(xù)性特征，能夠為基于流通數(shù)據(jù)，開展采訪選書，提供可靠穩(wěn)定的保障。本研究模型在實驗中具有較強的靈敏性，驗證了圖書流通潛力與圖書描述的表征信息有必然聯(lián)系的假設(shè)。表明描述圖書承載知識特征的單詞和短語等表層描述信息，對館藏圖書發(fā)生流通具有直接的影響，并反映在圖書流通數(shù)據(jù)中。

7結(jié)語

讀者需求行為產(chǎn)生的圖書流通數(shù)據(jù)，是讀者需求表現(xiàn)出的客觀真實結(jié)果，以流通數(shù)據(jù)為圖書采訪依據(jù)，不僅能夠避免過度依賴讀者需求意愿，表現(xiàn)出的不確定性、不可捉摸性和復(fù)雜變化性，還能夠避免圖書采訪人員主觀因素對選書決策產(chǎn)生影響。圖書流通數(shù)據(jù)，凝聚了館藏圖書和讀者兩個對象全部的信息與內(nèi)涵，是圖書最有價值的數(shù)據(jù)資源，蘊藏著讀者知識需求和館藏知識的全部秘密，挖掘館藏流通數(shù)據(jù)隱含的規(guī)律，能夠為揭示圖書館內(nèi)在規(guī)律提供堅實的證據(jù)。樸素貝葉斯分類，作為一種機器學(xué)習(xí)方法與工具，為開展科學(xué)嚴(yán)謹?shù)膱D書采訪工作，提供一種智能化的決策方法，讓圖書采訪工作真正建立在客觀、科學(xué)、嚴(yán)謹?shù)幕A(chǔ)上，使圖書采訪的結(jié)果可證明、可量化、可解釋。