基于神經(jīng)網(wǎng)絡的圖書館個性化服務質(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的分析構(gòu)建了評價指標體系，應用BP神經(jīng)網(wǎng)絡建立了個性化服務的總體評價模型，該模型是通過精選的帶標簽樣本完成神經(jīng)網(wǎng)絡的訓練，可輸出5級總體評價結(jié)果。對樣本的評價結(jié)果進行分析可得出：建立的神經(jīng)網(wǎng)絡模型可以對輸入的每個服務對象的指標數(shù)據(jù)進行有效評價，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質(zhì)量的評估。

關鍵詞：圖書館；個性化服務；神經(jīng)網(wǎng)絡；評價模型

中圖分類號：G251 文獻標識碼：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，特別是互聯(lián)網(wǎng)、移動通信的普及給圖書館個性化服務增添了新內(nèi)涵[1-3]，個人圖書館、智能化推送等都成了新的服務內(nèi)容，對圖書館服務的評估也應與時俱進，構(gòu)建新的評價指標體系[4]，研究新的評價模型[5-7]，才能做出恰當準確的評價，用以指導圖書館服務質(zhì)量的改進。然而由于圖書館的個性化服務與服務對象自身的屬性密切相關，如學生、教師、科研工作者等，對個性化服務的需求是有差異的，即使相同的服務對個性化服務質(zhì)量的評價也不盡相同。因此構(gòu)建的評價指標要盡可能考慮這種服務對象屬性的差異，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)的二級指標分解，指標數(shù)量較多，采用分項評估，只是對單項服務的質(zhì)量的考量，不同個體關注的重點也是不一樣，這樣就難以從單項評估中推測對個性化服務質(zhì)量的總體評價。為此需要建立所有個性化評價指標到服務質(zhì)量的映射關系，這種關系本質(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)絡來實現(xiàn)這種多對多的評價模型的建立，并通過相關精選數(shù)據(jù)樣本的監(jiān)督學習，完成BP神經(jīng)網(wǎng)絡的訓練，使其能夠有效地用于圖書館個性化服務質(zhì)量的評價。

1 圖書館個性化服務指標的分析與構(gòu)建

隨著數(shù)字化、網(wǎng)絡化技術的普及，圖書館個性化服務資源已從紙質(zhì)文獻向紙質(zhì)、電子網(wǎng)絡、多媒體文獻綜合發(fā)展，服務方式也成網(wǎng)絡化、移動化和智能化等新模式，新的圖書館個性化服務評價指標應該考慮這些新因素的影響，本文通過網(wǎng)絡問卷調(diào)查和專家咨詢，在比較LibQual+的22項指標后[8]，從個性化服務效果、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對象的18項個性化服務指標體系，在這些指標中包括了服務對象的共性指標，在語義上概括了不同屬性服務對象的需求，指標匯總?cè)绫?所示。

2 圖書館個性化服務評價神經(jīng)網(wǎng)絡模型的建立

2.1 三層BP神經(jīng)網(wǎng)絡的結(jié)構(gòu)

神經(jīng)網(wǎng)絡有多種結(jié)構(gòu)形式，其中BP（Back Propagation）網(wǎng)絡是目前應用最廣泛的神經(jīng)網(wǎng)絡模型，是由Rumelhart和McCelland首先提出的，是一種按誤差反向傳播算法進行學習訓練的多層前向（feedforward）網(wǎng)絡模型[9]，能夠?qū)崿F(xiàn)各種輸入-輸出關系的映射，而不需事前揭示這種映射關系的數(shù)學表達。它的學習規(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)絡的權(quán)值w和神經(jīng)元的閾值b，使網(wǎng)絡的期望輸出和實際輸出誤差平方和最小。 BP神經(jīng)網(wǎng)絡模型拓撲結(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)絡建模，首先確定網(wǎng)絡的結(jié)構(gòu)模式，包括網(wǎng)絡層次、輸入節(jié)點數(shù)n1、隱層節(jié)點數(shù)n2和輸出節(jié)點數(shù)n3。除了輸入層節(jié)點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)得到實際輸出yk。

2.2 BP神經(jīng)網(wǎng)絡的學習過程

對BP神經(jīng)網(wǎng)絡，一般采用有師指導的監(jiān)督學習模式，所謂監(jiān)督學習，就是給定輸入數(shù)據(jù)集xi和對應的已知的輸出di（也稱期望輸出），訓練網(wǎng)絡的權(quán)值w和偏置b，使其在輸入xi下，通過網(wǎng)絡產(chǎn)生的實際輸出yk與期望輸出dk的誤差最小，即學習訓練的目的就是確定網(wǎng)絡的兩個參數(shù)：每個神經(jīng)元的連接權(quán)值w和偏置值b。為訓練規(guī)范化，將偏置b作為一個特殊權(quán)值考慮，多設置一個輸入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)元要訓練的參數(shù)只有w。網(wǎng)絡的學習可分為前向計算和反向傳播計算兩個過程。

（1）網(wǎng)絡的前向計算。

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)點與k節(jié)點之間的權(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)導數(shù)之積，故需要先計算輸出層靈敏度δk（t），然后才能計算隱層靈敏度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)一表達如下：

2.3 個性化服務評價神經(jīng)網(wǎng)絡的建立與訓練

本文從三個維度兩個層次建立了圖書館的個性化服務質(zhì)量的18項評價指標體系，服務對象根據(jù)自己期望得到的個性化服務和實際感知到的個性化服務對圖書館個性化服務按這18項指標進行評價打分，同時給出總體評價。一般可將總體服務質(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)量評估建模實質(zhì)上就是建立18項指標到5級分檔的映射關系，然而這種18維輸入-5維輸出的映射關系是一種非線性的，很難用數(shù)學方法表述，故本文采用BP神經(jīng)網(wǎng)絡進行個性化質(zhì)量評估建模。

應用BP神經(jīng)網(wǎng)絡對圖書館的個性化服務質(zhì)量評估進行建模，首先需要設計出BP神經(jīng)網(wǎng)的結(jié)構(gòu)模式，主要包括網(wǎng)絡層數(shù)和每層的節(jié)點數(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，根據(jù)18項二級指標，故可以確定輸入層節(jié)點數(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)絡的輸出節(jié)點數(shù)可設為n3=5，隱層節(jié)點數(shù)n2的確定沒用什么專用方法可循，一般憑經(jīng)驗或試驗確定，一個經(jīng)驗估計公式是：（n1+n3）1/2+a，（a=2～10為經(jīng)驗常數(shù)），以這一估計公式為下限，取隱層節(jié)點數(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項評價數(shù)據(jù)按列形成輸入矩陣X，對應期望輸出di按列形成評價等級標簽D。

網(wǎng)絡訓練采用梯度下降法，性能指標為網(wǎng)絡輸出總誤差的平方和（見公式4），設定訓練目標即誤差的閾值Eth=10-4，圖4為個性化服務質(zhì)量評價神經(jīng)網(wǎng)絡的訓練過程曲線，為均勻展示數(shù)據(jù)采用了對數(shù)坐標。

對訓練好的BP神經(jīng)網(wǎng)絡，每輸入一個服務對象的18項評價分數(shù)，都將產(chǎn)生一個5項實際輸出y（1）～y（5），即屬于{優(yōu)秀，良好，中等，一般，差}的置信度，一般取最大者為預測的評價等級。

3 圖書館評價的實證分析

為了檢驗評價模型的有效性，通過網(wǎng)上問卷調(diào)查的方式獲取每個服務對象對某圖書館的18項評價指標的打分數(shù)據(jù)，輸入到已經(jīng)訓練好的神經(jīng)網(wǎng)絡模型，將獲得每個服務對象的網(wǎng)絡評價輸出。設第i個服務的評價結(jié)果即對應的神經(jīng)網(wǎng)絡的輸出為yi=[yi（1），yi（2），yi（3），yi（4），yi（5）]，假設有N個服務對象評價樣本，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）計算服務對象的的最后評價均值ym={0.520，0.853，0.420，0.133，0.126}，取5項之中的最大值，最后評價應該是“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數(shù)據(jù)輸入神經(jīng)網(wǎng)絡評價模型取得的綜合評價結(jié)果，在進行150個測試樣本采樣時，給出18項指標分數(shù)的同時讓服務對象給出優(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可以看出實證分析的圖書館的個性化服務獲得“良好”評價的數(shù)量最多，這和通過指標打分的神經(jīng)網(wǎng)絡模型預測的結(jié)果一致，所以本模型對服務對象評價是有效可行的，在實際應用過程中，不需要用戶輸入總體評價，只輸入指標的評價分數(shù)就可以得到服務質(zhì)量的總體評價。

4 結(jié)語

針對圖書館新一代個性化服務的內(nèi)涵，從三個維度建立了18項服務質(zhì)量的評價指標，為實現(xiàn)18項評價分數(shù)到五級服務質(zhì)量的映射，應用BP神經(jīng)網(wǎng)絡建立了評價模型，通過對150個某圖書館的個性化評價結(jié)果的實證分析，驗證了本文建立模型的有效性，可以用于圖書館個性化服務質(zhì)量的評價。

參考文獻

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

[2] 龍斌.“互聯(lián)網(wǎng)+”背景下高校圖書館學科服務發(fā)展策略研究[J].圖書館學刊，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評價指標體系研究[D].西南交通大學，2016.

[5] 宋蔓蔓，李正琪.高校圖書館個性化推薦服務評價標準研究[J].統(tǒng)計與管理，2015（10）：103-104.

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

[7] 李寧，高沨.高校圖書館個性化信息服務評價體系研究[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質(zhì)量評價探析[J].圖書情報導刊，2017，2（02）：42-46.

[9] 蘇麗冰.BP神經(jīng)網(wǎng)絡的改進綜述[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