基于深度學習的圖書館電子資源績效評估探索
——以中南財經政法大學圖書館為例

唐鵬宇 葛 紅

（1.中南財經政法大學圖書館 湖北武漢 430073）

（2.華南師范大學計算機學院 廣東廣州 510631）

1 引言

隨著計算機和網絡技術的發展，電子資源迅速增長，逐漸成為圖書館館藏資源的重要組成部分。如何對其進行有效評價，并及時調整采購策略，合理分配經費，是高校圖書館資源建設面臨的主要問題[1]。現階段，大部分電子資源績效評估研究通常采用統計分析工具或是決策樹、BP（Back-Propagation）神經網絡等簡單的機器學習（Machine Learning,ML）方法實現。但是，這些方法缺乏主動性和深度性，往往是運用模型對已采購的資源進行淺層評估，并不能學習采購過程中的深層邏輯和內部規則，模型也無法像采訪館員一樣進行學習、分析并得出結論。深度學習（Deep Learning,DL）是近年來發展起來的機器學習方法，具有強大的數據分析和建模能力。“深度學習”這一概念在1976年由美國學者Ference Marton提出，強調機器學習算法的主動性[2]。與以往的機器學習方法不同，深度學習強調學習樣本數據的內部規則和表示層次，最終目標是使機器學習算法能夠像人類一樣分析和學習，能夠自動識別和分析輸入的信息并得出結論[3]。目前，深度學習技術以其獲取的主動性和結構深度性，已經被廣泛應用并推廣于數據挖掘等領域并取得了良好的效果[4]。利用深度學習方法對圖書館資源進行評價，比傳統的統計分析方法或是簡單的回歸建模方法要更為準確、高效，是未來的一個發展方向。將深度學習方法引入電子資源績效評估中來，使得模型算法能夠像采訪館員一樣分析和學習，自動識別和分析數據資源并得出采購結論，降低采訪館員個人意愿對采購客觀性的影響，減少采訪館員更換對于采訪策略的影響，維持電子資源建設的客觀性和連續性。

2 電子資源績效評估指標體系研究

深度學習模型的建立與學習需要大量的基礎數據[5]。因此，構建電子資源績效評估指標體系并收集相關的數據是深度學習建模的第一步。

20世紀90年代以來，隨著計算機和網絡技術的發展，電子資源迅速增長，逐漸成為圖書館館藏資源的重要組成部分。針對圖書館電子資源，歐美和一些國際機構設立了許多知名的績效評估體系，如《信息與文獻 國際圖書館統計》數據標準ISO2789、歐洲委員會EQUINOX電子服務績效評價和指標體系、美國圖書館協會的電子資源在線使用統計項目COUNTER（Counting Online Usage of Networked Electronic Resources）以及美國研究圖書館協會（Association of Research Library,ARL）的E-Metrics項目等，這些體系注重電子資源的使用統計分析[6]。除此之外，還有eVALUEd（英國高等教育基金會項目）、LIBQUAL+（ARL項目）等系統側重于用戶滿意度的電子資源評價體系[7]。

近年來，國內圖書館電子資源績效評估指標體系研究方面主要是學習和借鑒國外的經驗，國內學者多以定性和定量研究方法相結合的層次分析方法進行指標體系的構建。比如侯振興采用層次分析法確定高校圖書館電子期刊數據庫績效評價指標體系及權重并進行了評價驗證[8]。陳英在利用層次分析法的基礎上結合客觀賦權方法中的CRITIC（Criteria Importance Though Intercrieria Correlation）方法進行評價指標的權重組合，從而測算高校圖書館電子資源的績效評估價值[9]。但是，截止到目前，國內外并沒有一個獲得普遍認同的電子資源評價指標與體系[10]。絕大多數學者的研究是根據實際情況，結合國外認可度較高的評估體系，綜合構建適合其研究的指標體系。

因此，本文在國內外已有學者研究基礎之上，考慮到電子資源績效評價影響因素的研究和后續評價模型的構建需求，結合中南財經政法大學圖書館的實際情況，主要選擇了具有獨立性、可得性、有效性和可定量的關鍵指標。從“信息質量”“使用質量”“服務質量”“資源成本”四個維度構建了中南財經政法大學圖書館電子資源績效評估指標體系，如表1所示。

表1 中南財經政法大學圖書館電子資源績效評估關鍵指標（以年為單位）

首先，信息質量是評估信息是否成功的重要維度之一。根據DeLone和Mclean提出的信息系統成功模型（D&M Information system success model,簡稱D&M模型），信息質量直接影響了用戶的使用效果和滿意度，是信息資源評價的重要指標[11]。高校圖書館所采購的電子資源應當具有較高的信息質量，應當是在該學科領域具有較高說服力和認可度的。考慮到電子資源的信息質量難以量化，因此，“信息質量”緯度主要以組織專家組進行綜合打分的形式進行，專家組根據各數據庫的時間跨度、資源數量、內容權威性以及更新頻率等指標對以往所采購的數據庫的信息質量進行綜合打分。

其次，使用質量是電子資源評估的基礎客觀指標。COUNTER項目是電子資源管理與評價中最常使用的標準，它定義了電子資源在使用過程中需要統計的數據量，包括電子資源的使用量、檢索量、下載量等指標，能夠幫助圖書館獲得一致的、可比的和可靠的電子資源統計報告，并且在國際上認可度較高[12]。因此，“使用質量”緯度選取COUNTER項目中的關鍵指標，并結合本校實際數據的可得性，構建了電子資源的“訪問量”、“檢索量”和“下載量”三個二級指標。

再次，服務質量是電子資源評估中不可缺少的指標。根據Pitt、Watson和Kavan的研究，服務質量能夠反映讀者使用和滿足需求的程度，電子資源的績效評估應該增加服務質量這個維度[13]。我國高校圖書館數字資源采購聯盟（Digital Resource Acquisition Alliance Chinese Academic Libraries,DRAA）也對集團采購的電子資源進行了服務質量的調查與評估，主要對數據庫商的售后服務、檢索系統等維度進行評估[14]。因此，綜合相關數據的可得性和有效性，本緯度采用了“平均服務響應時間”和“系統服務故障次數”兩個二級指標作為電子資源評價中的服務質量評價指標。

最后，資源成本是電子資源評估的常見硬性指標。一般來說，需要從軟硬件兩個方面考慮圖書館為電子資源的建設和使用所支出的費用。但是，由于目前中南財經政法大學圖書館絕大部分電子資源的使用均為遠程訪問方式，硬件投入相對較少，可以忽略不計。因此，選擇電子資源的“采購費用”“年漲價幅度”“次均使用成本”作為資源成本的關鍵指標。

3 基于深度學習的電子資源績效評估模型構建

深度學習是多層級機器學習模型及算法的總稱，因其強有力的數據分析和建模能力而得到廣泛應用。深度學習通過多層級結構實現逐層多級特征提取，自動完成了大量數據預處理和特征提取工作，是一種端到端的、能有效進行復雜問題建模的機器學習方法。如前所述，電子資源評價是一個涉及多方面多層次的復雜問題，其模型是一個多元的非線性函數。傳統的依據主觀判斷或簡單模型進行評估的結果，缺乏準確性和實用性。因此，筆者收集了中南財經政法大學圖書館2017—2021年五年間的電子資源相關數據，嘗試利用深度學習技術對中南財經政法大學圖書館的電子資源進行建模、學習、評估和預測，以期為電子資源的選擇和配置決策提供參考。

具體而言，本文所討論的電子資源評價問題，是指依據前述影響電子資源的關鍵指標對某個特定的電子資源進行定量評價即評分。可表達為獲取一個電子資源評價模型，如下所示：

其中，score為對某個電子資源的評價分值，Xi（i=1，2，3，...m，m=9）為該資源的關鍵影響指標的值。通過建立電子資源評價模型，可以依據某個電子資源的關鍵影響指標的數據，快速、高效、準確地給出該資源的評分，為圖書館采購電子資源及對現有資源評價提供重要參考。

在各種各樣的深度學習模型中，我們選擇多層前饋神經網絡作為電子資源評價模型。多層前饋神經網絡是深度學習中擬合能力最強、應用最廣泛且最為簡單有效的模型。依據前述電子資源關鍵指標的研究以及深度學習模型的決定性要素，通過中南財經政法大學圖書館2017—2021年五年間的電子資源相關數據集，對多層前饋神經網絡進行訓練和測試，構建電子資源評價模型。

多層前饋神經網絡結構示意圖如圖1所示。決定多層前饋神經網絡功能實現和性能優劣的關鍵要素包括：網絡的層數及各層的節點數；節點的激活函數；各層節點之間的連接權重。

圖1 多層前饋神經網絡結構示意圖

多層前饋神經網絡模型的輸入層（即第一層）的節點數通常與模型函數的自變量的個數相同，針對電子資源評價問題，輸入層節點數就是關鍵影響指標的數量。模型的輸出層節點數取決于整個模型的輸出變量，所以，本文的電子資源評價模型的輸出就是一個評價值。介于輸入層和輸出層之間的隱層的層數和每層的節點個數取決于模型的數據對象，一般而言，數據越復雜，對應的模型的隱層數和節點數就越多，所以，這部分結構需要通過實驗決定。同樣的，模型中各個節點的激活函數，通常是在線性函數或sigmoid函數、tanh函數、Relu函數、softmax函數等非線性函數中選取，具體選擇何種激活函數，也需要通過實驗決定。

4 實驗及結果分析

實驗的數據集來源于中南財經政法大學圖書館2017—2021年各年的電子資源數據。數據集規模為324×10，即324個樣本數據，每個數據包括表1所列的9個關鍵影響指標及一個對電子資源的評價分值。數據集中每個電子資源的評價分值以其歷年購買的幾率值為依據評定。將2020年及之前的數據作為訓練集，2021年的數據作為測試集。模型采用深度學習框架keras實現。

首先，對不同層數、不同節點數、不同激活的函數模型進行實驗，來獲取適合本文問題的模型。由于可選擇的激活函數有限，因此實驗中隱層節點采用tanh函數，輸出層節點采用sigmoid函數。另外，為便于比較，所以模型訓練次數都為15 000次。實驗結果如表2所示。

表2所列實驗結果表明，在訓練次數相同的情況下，隱層數較少（1層和2層）的模型的訓練精度和測試精度都比較低，說明模型的復雜度偏低，不能有效擬合輸入變量與輸出變量之間的函數關系。而當隱層數較大（4層）時，訓練精度較高而測試精度偏低，表明該模型出現了過擬合的問題。因此，最佳的模型結構就是包含3個隱層的深層前饋神經網絡。

表2 深度前饋神經網絡模型實驗

接下來，在最佳模型上進行調參實驗，以確定最佳超參數組合。分別對隱層節點數和隱層節點的激活函數進行實驗，實驗結果如表3所示。

表3 隱層節點數實驗

依據表3的實驗結果，選擇訓練誤差和測試誤差最小的模型，得到實現電子資源評價的最佳模型結構為一個4層的前饋神經網絡。其中，輸入層有9個節點，分別用于輸入表1中的9個關鍵指標，3個隱藏層的節點數分別為10、10、5，最后是只有一個節點的輸出層，用于輸出對應電子資源的評價值。從實驗結果可見，最佳模型的訓練精度和測試精度都達到99%以上，驗證了該模型在電子資源評價的可行性和有效性。

多層前饋神經網絡是一種通用的“萬能逼近器”，理論上講，包含一個隱層的前饋神經網絡，就可以表達任何連續的輸入輸出關系。在實際應用中，可以通過增加隱層層數，減少每個隱層節點數的節點數，來降低模型復雜度和參數量，從而提升模型性能，避免過擬合的風險。同時，由于模型的輸入變量是問題直觀的特征描述，而多層前饋神經網絡的隱層的功能在于提取輸入信息中的隱含特征，可以通過對特征維度的先升后降來實現有效特征的提取和融合，獲得最好的問題模型構建。本文最后得到的最佳模型結構表明，輸入變量經過兩次升維（9維輸入變量提升為10維特征）以及一次降維（10維特征降維到5維）的特征變換，較好地獲取了輸入信息的重要特征，有效實現了問題模型的構建。

值得注意的是，在現有模型的基礎上，通過后續數據的添加，可以不斷訓練模型的遷移學習能力，從而進一步提升模型的精度和性能。

5 總結與不足

高校圖書館電子資源的合理有效的配置和采購，是圖書館資源建設和學科服務的重要任務。深度學習是一種端到端的多層級機器學習模型，利用深度學習方法對圖書館電子資源進行學習和評估，比傳統的統計分析方法或是簡單的回歸建模方法要更為準確、高效，是未來的一個發展方向。根據實際情況構建圖書館電子資源績效評估指標體系，使用基于關鍵影響指標的深度前饋神經網絡模型，使得系統能夠學習該圖書館的采購深層邏輯，高效深入地評估和預測電子資源采購。實驗結果分別取得99.8%和99.7%的訓練精度和測試精度，表明所提指標和模型的可行性和有效性，具有明確的應用意義。

然而，本文的研究知識是在人工智能的發展趨勢下的一種嘗試，要訓練深度學習模型，需要較多的訓練數據。由于受到數據的可得性的限制，本文對于幾個重要指標采用綜合打分的方式獲取，會降低模型的客觀性。接下來，可以對相關重要指標做進一步的分析和量化，采用更為全面而詳細的影響指標，以期得到更為準確的電子資源評價模型。

“雙一流”建設需求對高校圖書館的資源組織和服務拓展提出了更高的要求。高校圖書館有必要將電子資源績效評估與最新科學技術相結合，大膽嘗試，構建更加豐富、客觀和多元化的評估指標體系，重視多源多模態數據的組織與分析服務。并且，有必要結合各個高校的實際情況，提升數據的可得性，根據高校的特點對評估進行細分，針對特定資源、具體階段和優勢學科開展評估業務。此外，有必要對圖書館資源進行持續、長期的監測與評估，形成定期管理并及時反饋，從而提高圖書館的資源服務能力。最后，要充分發揮行業協會的組織協調作用，開展統一、通用的資源績效評估實踐，超越單一機構的局限性，建立全國性的圖書館資源評估指標大數據平臺，推進融合化的創新服務平臺建設。