深度學習在圖書館文本分類中的應用研究進展

摘 ?要文本分類是圖書館領域的重要研究方向之一。基于深度學習方法對用戶生成的內容進行分類有助于圖書館更精準的了解用戶行為并評估圖書館服務質量。通過對圖書館領域和使用圖書館數據的計算機科學領域使用深度學習方法進行文本分類的研究進行批判性審查，調查圖書館領域使用深度學習方法進行文本分類的研究現狀，為未來研究提出建議。研究結果表明，目前的研究主要集中在文本特征分類、文本情感分類和文本評級分類上。大多數研究仍采用傳統的深度學習方法如前饋神經網絡和人工神經網絡等。近年來在計算機科學領域提出的具有更好分類性能的深度學習算法尚未引入圖書館領域。研究建議引入深度學習算法的方法框架、構建和開發更深層次的算法、明晰文本分類的詳細步驟、明確數據標注規范和標注步驟并積極使用結合各自優勢的多模型分類方法。

關鍵詞圖書館；文本分類；深度學習；批判性反思

分類號G251.2

A Review of Research on the Application of Deep Learning in Library Text Classification

Sun Zhuli

AbsrtactText categorization is a major research direction in the field of library. Classifying user-generated content based on deep learning methods can help libraries understand user behavior more accurately and evaluate the quality of library services. This paper makes recommendations for future research by investigating and critically reviewing research on the use of deep learning methods for text classification in the library field and in the computer science field using library data.?The results show that the current research mainly focuses on text feature classification， text sentiment classification and text rating classification.?Most research still uses traditional deep learning methods such as feedforward neural networks and artificial neural networks.?Deep learning algorithms with better classification performance in computer science have not been introduced to the library domain. The study recommends introducing a methodological framework for deep learning algorithms， building and developing deeper algorithms， clarifying detailed steps for text classification， specifying data annotation specifications and annotation steps， and actively using multi-model classification methods that combine their respective strengths.

KeywordsLibrary.?Text classification.?Deep learning.?Critical reflection.

0 引言

通過對用戶信息或行為記錄等內容進行分類可以獲取文本特征，獲取用戶的情緒、感受、體驗、偏好和評級等數據，從而有助于圖書館了解用戶行為并評估圖書館的服務質量和滿意度^[1-2]。文本分類是根據一定的規則將文本分為不同類別的過程。分類規則可以人工構建，也可以使用算法從文本數據中自動總結。早期的文本分類是在知識工程的基礎上構建人工定義規則，例如，通過編碼采訪文本和提取關鍵節點來構建研究維度。近年來，已有學者充分利用Twitter、Facebook、Google Maps、微博、大眾點評網、微信公眾平臺等網站的大量用戶生成的文本數據研究用戶行為和圖書館服務質量^[3-4]。文本分類不僅是數據挖掘與信息檢索領域的研究熱點，更是數字圖書館建設的技術基礎^[5]。同時，對用戶生成的文本數據進行準確的分類還可以幫助圖書館把握用戶的信息需求特征，組織和篩選用戶感興趣的內容，進而為用戶提供智能和高效的個性化服務。另外，提取和計算用戶生成文本中包含的情感信息和情感強度，關注用戶的情感變化，還可以幫助圖書館不斷改進服務的設計和提供方式。因此，文本大數據的分類需要引起圖書館領域的關注，而有關文本分類的研究已成為統計分析、維度構建、量表開發、預測建模的重要前提和基礎。

作為自然語言處理領域的經典問題，文本分類的算法也在不斷演進，當前的算法大致分為兩類：一種是傳統的分類算法（如基于規則的方法、社會網絡分析方法等）、一種是基于機器學習的算法（如 特征工程、分類器等）^[6]。受到算法本身的限制，傳統的分類算法耗時耗力，成本較高，已逐漸被取代。與自然語言處理領域的發展同步，圖書館文本分類也逐漸從主要使用社會網絡分析轉變為機器學習和深度學習方法，從簡單的用戶生成文本的詞頻統計轉變為挖掘文本中的深層語義關聯，力求更精確地發現用戶的感知和情感^[7-8]。在大規模和非結構化的文本中尋找有效的隱含信息挖掘方法已成為自然語言處理（NLP）關注的焦點和大數據研究中的關鍵問題^[9]，而深度學習的出現可以有效解決以往機器學習方法（如樸素貝葉斯和支持向量機）存在的耗時、昂貴的淺層結構算法、表示復雜函數的能力有限以及難以處理高維數據和泛化能力差等問題^[10]。基于深度學習的文本分類研究在各種自然語言處理任務中取得了顯著的成效，為許多問題提供了有效的解決方案，因而正逐漸取代傳統的機器學習方法成為文本分類領域的主流研究方向^[11]。在圖書館領域，深度學習方法同樣處于文本分類的最前沿，已有研究表明在預測評論可靠性、用戶滿意度、情感分類和預測評論評級等方面優于傳統的機器學習模型^[12]。

顯然，深度學習方法對圖書館的文本分類具有重要意義。2023年7月30日，筆者通過“標題/主題”在SCOPUS、WOS、LISTA、LISS、知網等數據庫進行了全面的文獻檢索。搜索策略包括系列搜索詞：文本分類、深度學習和圖書館的組合搜索，除了關注于圖書館領域深度學習的文章外，還包括計算機科學領域的相關研究，這些研究涉及到了深度學習技術與圖書館數據的使用。在剔除重復與不相關的文獻，并對相關文獻的參考文獻進行回溯檢索后，共篩選出31篇文章作為本文綜述的文獻集。研究成果數量不多說明該領域尚未成熟，需要進一步的研究探索，為此，本文設計的研究問題是：深度學習在圖書館文本分類研究中的現狀如何？研究的主題包含那些？未來研究應當從那些方面拓展？下文將梳理圖書館領域基于深度學習進行文本分類的相關研究內容，并探討當前存在的問題及優化建議，以期為未來的相關研究提供參考。

1基于深度學習開展圖書館文本分類研究的主題分析

近年來，深度學習在圖書館領域的應用逐漸受到學者的關注。在這方面，計算機科學領域的學者有著特殊的貢獻。通過對已有文獻的調研梳理和系統分析，我們發現，當前深度學習在圖書館領域的應用主要包含以下幾個方面：用戶畫像^[13]、智慧服務^[14-15]、文本識別^[16]、知識庫建設^[17]、文本分類分析^[18]等。然而，當前尚未有研究系統回顧深度學習方法在圖書館領域的使用情況。因此，我們歸納匯總了圖書館領域以及使用圖書館數據的計算機科學領域的深度學習文獻，總結了圖書館領域及使用圖書館數據的計算機領域中使用深度學習模型的歷史變遷、每種方法的優劣勢（見表1），以及不同深度學習模型的應用場景和主要功能目標（見表2）。

從表2可以看出，當前基于深度學習開展圖書館文本分類的研究主要分為三個主題：文本特征分類、文本情感分類和文本評價分類。

1.1文本特征分類

對于用戶感知和體驗的研究，重要的是識別在線評論中影響用戶評分和行為的關鍵特征（如服務質量、真實性、環境等）。盡管對文本特征的分類很重要，但多數研究使用了相對更為簡單的主題聚類方法，只有少數研究使用深度學習模型對其進行研究。例如，有研究者利用基于深度學習的自然語言處理技術，對12582 條人工標注的圖書館在線評論進行研究，通過文本特征分析服務質量。在該模型中，神經網絡用于從非結構化文本中發現模式，并將前饋神經網絡組合起來表示輸入層和輸出層之間的非線性關系（服務質量的類別概率）^[19]；有研究者使用深度學習模型對手動標記的數據進行文本分類，以確定用戶體驗的真實性維度。該研究中使用的人工神經網絡（ANN）模型具有兩層網絡，可以將輸入數據（句子）映射到期望值（每個維度的概率），從而表示更復雜的函數關系^[20]；還有研究者通過多標簽文本降維、平衡化處理及組合多種深度學習算法構建文本分類器，實現了多標簽文本特征分類^[21]。這類型研究一般通過疊加累積卷積層和池化層來持續對層數進行加深，從而達到提取更高層文本特征的效果，使得基于文本特征的分類表達能力更強，文本特征更為明顯。

1.2文本情感分類

盡管情感分析在圖書館服務質量的評估中很重要，但目前文本的情感分類主要是使用情感詞典和機器學習進行的，使用深度學習對文本情感進行分類的研究并不多。一項研究從微博上抓取了112?412 條關于圖書館的評論，并應用雙向 LSTM、簡單嵌入及平均池化這兩種深度學習模型，對在線評論的兩種情緒（正面和負面）進行分類，結果表明，雙向 LSTM 在情感分類上更有效，該研究旨在為文本情感挖掘任務提供合適的深度學習算法^[22]；另一項研究使用深度學習模型 BERT分析了包含4728 條評論的圖書館數據集，將標簽分為四類（中性、正面、負面和沖突），研究結果表明該模型比其他基線模型具有更好的性能，為圖書館文本情感分類任務提供了一種新方法^[23]；還有學者通過Tensor Flow深度學習框架，利用Keras人工神經網絡庫，將卷積神經網絡和雙向長短時記憶網絡結合，構建了基于CNN-BiLSTM-HAN混合神經網絡的情感分析模型，對高校圖書館社交網絡平臺用戶評論的21 091條數據進行分析^[24]。這些研究的重要貢獻在于關注了圖書館用戶情緒變化，使用雙向LSTM 解決了循環神經網絡梯度消失和梯度爆炸問題，與LSTM相比，這不僅保留了過去的信息，還保留了未來的信息。

1.3文本評級分類

對在線評論中的服務質量進行綜合評價，不僅要采用用戶給出的評價，如圖書館的價值、服務、位置和整體功能方面的評價，還應考慮評論信息中隱含的含義。研究者一般通過查找句子中的情感詞、連詞和否定詞來獲得情感分級，而這需要隨著新詞的出現不斷增加和更新情感詞典，同時還要考慮到每個詞在不同的位置或語境下有不同的應用和效果，會表達不同的情感。文本評級分類的深度學習研究主要是利用在線文本的評分作為標簽，訓練用于文本分類的深度學習模型。在這方面，深度學習模型在提取文本特征時考慮了句子中每個詞的上下文，可以解決同一個詞在不同上下文中可能具有不同含義的問題，但很少有研究在數據集上使用深度學習來解釋這種不同的含義。例如，一項研究使用深度學習算法在公開可用的數據集上訓練模型，該數據集包含6294條在線評論和評級信息，并使用經過訓練的深度學習分類模型內核獲得用戶評級^[25]。同時，不同算法的性能也有所不同。有學者使用深度學習算法對圖書館評論文本評分預測進行了比較分析，發現基于在線評論評分，簡單嵌入和平均池化相比雙向LSTM 表現出更好的預測性能，評估指標R²和F1-score的變化分別提高5.8%和0.3%。此外，為了獲得更適合文本評級分類的深度學習模型，該研究對深度學習領域的文本分類算法進行了總結，并在包含3500000余條圖書館評論的公開數據集上使用八種深度學習算法進行了測試。結果表明，與其他基線深度學習模型相比，BERT、XLNet 和通用語言模型微調等算法的準確率提高了約10%。在這些最先進的文本分類方法中，XLNet 在數據集上產生了最好的五個分類結果，準確率為72.2%^[26]。

2當前研究存在的問題及優化建議

2.1存在的問題

2.1.1缺乏引入深度學習算法的方法框架

從整體上看，當前圖書館領域使用深度學習算法進行文本分類的研究仍然處于起步階段，研究成果的數量不多，研究者對深度學習算法的認識和運用還有不足，存在盲目使用和跟風等問題，尤其是缺乏使用深度學習算法的方法框架，很多研究對算法的優劣勢和適用性了解不夠，致使研究結論的準確性受到影響。

2.1.2缺乏更先進的深度學習算法

已有研究來對多個深度學習模型文本分類方法的有效性進行了比較 （如fully connected，dense layers，2D convolution neural network，CNN，long short-term memory， LSTM），這些算法在提取文本信息方面的局限性較大：如FC對空間結構的表達能力較差、CNN會丟失相關信息導致誤分類、LSTM在訓練過程中只能保留單一信息等^[27]。現有的許多研究并沒有嘗試使用更先進的深度學習方法來對評論進行科學分類，也缺乏對單個分類模型有效性的關注。這類型的研究往往依賴于公開可用的數據集，這些數據集中的每條評論都有用戶給出的評分。然而，由于用戶評級過程中可能存在服務補償^[28]，因此后者不一定總是與評論文本所表達的信息相匹配，因此最好將評論和評分綜合分析。

2.1.3文本特征分類的精度和效率有待提升

當前圖書館領域的文本特征分類主要使用前饋神經網絡和ANN這兩種深度學習算法。盡管前饋神經網絡是經典的深度學習算法之一，也基本能夠完成文本分類任務，但這種算法將文本視為一個詞袋，并使用文本的向量或平均值來表示文本信息，而忽略了文本中的上下文信息，因而會影響分類的精度和效率。

2.1.4缺乏對文本分類過程的詳細描述

現有的研究雖然或多或少涉及到文本分類的一些步驟，但很少系統地總結和說明了文本分類的整個過程（如文本預處理、多個文本分類模型的比較等），而只有詳細描述文本分類的整個過程，才能提高研究的透明度，進而評價研究的質量、研究方法的嚴謹性和局限性，從而更好的完成文本分類任務。

2.1.5數據規模、數據預處理和數據標注等方面仍然存在局限性

在文本情感分類方面，當前的研究僅通過兩種或三種情感分類很難衡量和捕捉用戶復雜多樣的情感。同時，許多研究的數據量不夠大或不充分，導致對深度學習文本分類模型訓練過程特征提取的要求變得非常高。雖然有研究者通過計算用戶給出的價值、滿意度等評分的平均值來標記情感標簽，通過劃分分數段來進行標注^[29]，但顯然該研究的數據標注過程也需要改進。一是研究者未給出分數段分類的解釋和依據，二是三級分類的粗粒度度量會導致有價值信息的丟失。

2.2優化建議

2.2.1明確引入深度學習算法的方法框架

計算機信息科學是探索文本分類深度學習的專業領域，因此我們可以在批評性比較和分析的基礎上，結合圖書館的特征，為圖書館的文本分類任務引入一個方法框架。本研究認為，該方法至少應包括如下三個步驟：（1）方法選擇：對于特定場景下的分類任務，不僅要根據方法的原理和已有的研究成果進行初步篩選，還要對多種方法進行比較，以獲得最適合的方法；（2）數據選擇：與圖書館領域的分類任務大多只在單個數據集上進行不同，計算機信息科學領域的研究是在多個數據集上進行測試，這也要求我們進行多數據集對比以獲得更可靠的調查結果；（3）性能測試：對深度學習模型分類性能的評估是必不可少的步驟，每種方法的性能都可以通過完善的指標進行客觀的測量。

2.2.2構建和開發更深層次的算法

雙隱層神經網絡比單層神經網絡能表達更復雜的關系，分類效果更好。因此，圖書館領域需要不斷加強對深度學習算法的理解，并嘗試構建和開發更深層次的算法。與經典深度學習算法和基線方法（如情感詞典和機器學習）相比，已經有幾種深度學習算法具有更好的性能，可以用于文本特征分類任務。例如，2018年谷歌提出的自然語言模型（NLP）?基于Transformer的雙向編碼器表征（Bidirectional Encoder Representations from Transformers， BERT）， 具有標記嵌入、片段嵌入和位置嵌入的輸入特征，該模型使用掩碼語言模型（隨機屏蔽句子中的標記）進行訓練，并通過雙向轉換器獲得文本的矢量化表示。BERT結合單詞的上下文信息，從句子中提取信息，實現了文本的雙向表征，即使在數據量很小的情況下也能訓練參數，因而可以更好地提取句子的語義關系，進而很好的完成文本分類任務。已有研究表明BERT在特征提取方面優于用于詞表示的全局向量（Glove）和用于特征提取的詞到向量（word2vec），并且還優于諸如多注意力網絡（MAN）和交互式多頭注意力網絡（IMAN）等其他模型^[30]。值得注意的是，使用BERT模型進行訓練和測試所花費的時間與硬件密切相關，如使用張量處理器（TPU）比使用圖形處理器（GPU）更為省時^[31]。而BERT優化后的變體ALBERT可以更快地訓練并且消耗更少的內存，這意味著使用ALBERT模型進行分類更為高效且成本更低。

2.2.3明晰文本分類的詳細步驟

為提高文本分類任務中詳細步驟的透明度，需要在收集數據并確定文本分類需求之后，進行以下兩個關鍵步驟：數據預處理和模型訓練。第一步是數據預處理，對于不同的語言，處理手段略有不同。以中文為例，其中標記化的過程如下：（1）刪除數據中重復的文本；（2）將所有文本數據進行格式化；（3）刪除網站鏈接、數字、符號和特殊字符，如&、*和#等；（4）分詞——根據文本分類任務的需要將文本分解成詞，然后進行處理；（5）刪除標點符號和停用詞；（6）歸一化，如詞形還原、詞干提取、去除性別/時間/等級差異等。第二步是深度學習文本分類模型的訓練，這是文本分類任務的重點。在這一步中，首先是數據集的劃分，計算機領域中一般將數據集分為訓練集（訓練模型）、驗證集（優化模型）和測試集（評估模型）。在圖書館領域，數據集一般分為訓練集和測試集。劃分訓練集和測試集的一般原則是，當數據集足夠大（幾十萬或幾百萬）時，測試集所占比例較小，反之亦然。其次，使用預訓練的語言模型將數據集（訓練集和測試集）轉化為向量，即計算機可以理解的形式將分類模型應用到訓練集和測試集上。最后，評估分類模型的性能。文本分類有多種評估指標，包括精度Accuracy、準確率Precision、召回率Recall和F1 score（包括準確率和召回率）、Cohen′s Kappa（k）和Gwet的一致性系數（AC1）等。其中，使用最廣泛的評估指標是精度。

2.2.4明確數據標注規范和標注步驟

由于數據是文本情感分類任務的基礎，一般而言，文本數據量越大，文本分類的效果越好。因此，圖書館領域的文本分類研究有必要進一步擴大研究的數據量，并明確標注規范和數據標注步驟。本文認為，文本數據的標準規范包括以下幾個方面：（1）明確標注的范圍和實體類型；（2）標簽和類別要簡潔明晰，并與文本數據所表示的概念相符；（3）明確標注規則，避免概念混淆和錯誤；（4）按照特定的格式和結構來標注數據，使其適配標注工具或平臺；（5）完善關系和實體間的一體性，便于之后的關系抽取和分析；（6）確保標注數據的復用性和開放性，以便后續對模型進行評估、優化和升級。另外，對于文本數據的標注大致可以分為兩個步驟，每一個文本（如評論）需要由至少三位相關領域人士進行標注并達成共識：第1步，隨機抽取少量評論由相關專家對其進行標注，通過討論達成共識，并構建分類協議。第2步，由至少3人組成的小組根據分類協議對文本數據進行標注，結果相同的3個標注可以直接使用，結果不同的標注可以考慮拒絕或討論同意后保留。

2.2.5使用結合各自優勢的多模型分類方法

通過文獻梳理表明，XLNet能更好的完成文本評級分類任務，它集成了自回歸和自編碼預訓練語言模型的思想，允許上下文同時包含左右標記（每個位置從所有位置學習上下文信息，即捕獲雙向上下文），使其成為通用的順序感知自回歸語言模型。它還引入了雙流自注意模型，以實現位置感知的單詞預測。同時，開放生成式預訓練（OpenGPT）和統一語言模型（UniLM）也適用于圖書館領域的文本分類。OpenGPT是一個單向（從左到右或從右到左）逐詞預測文本序列模型，其中每個單詞包含有關前一個單詞的信息。文本分類任務可以通過將OpenGPT微調到特定任務并將其與特定于任務的分類器相結合來完成。而OpenGPT的第4版，即OpenGPT-4已被證實可以大大提高模型在文本分類任務上的性能^[32]。UniLM使用來自單向、雙向和序列到序列方法的三種不同類型的語言建模任務進行預訓練。 因此，UniLM-2在文本分類任務上達到了一個新的水平，它可以在文本文檔的每個單詞中包含更多的上下文信息。在圖書館領域，研究者可以通過多模型的組合運用和比較來進行探索和分析。

3總結與展望

3.1 結論

本研究首次回顧和梳理了圖書館領域使用深度學習方法進行文本分類的研究，指出了當前圖書館文本分類任務中各種方法和數據的不足，有助于推進相關研究。目前圖書館領域使用深度學習算法進行文本分類的研究可以大致分為文本特征分類、文本情感分類和文本評級分類三個主題。在研究方法方面，主要使用的是前饋神經網絡和人工神經網絡，而計算機科學領域中更先進的方法尚未引起重視。除研究方法外，現有研究中使用的數據還涉及在不同背景下的適用性問題。目前采用的公開數據集主要以用戶評論為主，缺乏直接采用用戶評分作為標簽的研究。另外，研究發現目前圖書館領域對文本的分類還比較粗放（主要分為兩類或三類），缺乏更細粒度的文本分割維度。回顧現有的研究，本文建議采用可以從海量大數據中更快、更準確地進行細粒度文本分類的前沿深度學習方法，并提出了數據集標注的具體方法，為未來研究的方法選擇和創新提供了路徑。此外，本文再次強調了對文本情感進行準確分類的重要理論基礎以及基于文本特征的維度構建，指出引入新的文本分類算法可以實現更準確的文本分類。這也有助于在特定圖書館環境中開發帶標簽的圖書館數據集和分類維度，為進一步研究用戶評論對其使用行為的情感影響（如維度構建、量表開發等）奠定基礎。同時，本文對計算機領域新方法的引入，有助于彌合圖書館領域研究方法的差距。

本文的研究結果對圖書館的管理實踐也有一定啟示。由于當前在線文本呈指數級增長，手動處理可能既昂貴又耗時，而使用深度學習技術可以從文本數據中更快、更準確、成本更低的提取上下文信息。例如，圖書館可以使用基于文本特征的深度學習方法來根據服務質量（響應性、可靠性和同理心）對用戶評論進行分類，并使用情感分類器將評論分類為更細粒度的情感（憤怒、喜悅和厭惡等）。這些方法有助于客觀、快速地了解全面的信息和其中的細節，幫助圖書館及時響應用戶需求，為圖書館的管理和決策提供依據。

此外，這項研究還為第三方機構全面評價圖書館的服務質量提供了有效途徑，用戶也可以通過參考第三方機構在分析文本內容的基礎上給出的綜合評價來評估圖書館服務的質量。由于服務補償和心理補償因素的存在，總體評價信息并不能完全反映用戶對圖書館的評價。政府相關部門或第三方機構可以使用深度學習算法對文本進行分類，不僅可以單獨使用評分信息，還可以綜合文本分類結果，更便捷的評估圖書館服務質量，指導圖書館的建設和發展。

3.2 局限性和未來研究

首先，盡管一些先進的深度學習方法在文本分類任務中表現出出色的分類性能，但它們在圖書館領域的表現尚未得到證實。例如，當前最新的深度學習算法，如OpenGPT-3、BERT、XLNET和UniLM等，已經在文本分類任務中實現了新的進展，但尚未有在圖書館領域中的應用。因此筆者建議學者們對這些算法進行實驗。由于訓練這些模型的成本并不高，因此可以微調現有模型或使用它們的變體，特別是對于圖書館領域來說，建議使用和測試集成多種深度學習算法的模型。此外，由于基于單一模型的分類對于不同的語料庫、分類和標簽可能表現的不夠穩定，因此本研究建議在同一數據集上使用多個深度學習模型，并通過比較找到最適合的深度學習文本分類模型。

其次，雖然在圖書館領域有一些大規模的數據集，但這些數據集直接或間接地將用戶的評分作為標簽，這種做法忽略了用戶在線評分時的服務補償和心理補償，同時，圖書館領域的相關數據集共享程度不夠，因此，本研究建議學界和業界重視數據集的標注，嚴格按照完善的步驟對文本數據集進行手工標注^[33]，并共享更多的結構化標注數據，促進圖書館領域文本分類的發展。

再次，由于圖書館用戶情緒的復雜性，將其劃分為兩類或三類情感維度，其實踐和理論意義有限，后續研究有必要測試不同的方法，開發不同的數據，并在圖書館的不同場景下進行不同層次的工作。因此，本研究建議未來的研究構建更細粒度的文本數據分類。例如，基于深度學習模型用來研究用戶情感（喜悅、愛、驚訝、憤怒、信任和悲傷）、服務質量（有形的、可靠的、響應性、保證和同理心）和其他更細化的維度。

最后，這項研究是對現有期刊論文中相關主題的梳理和總結，不包括會議論文、書籍等其他來源的文獻，因而具有一定的局限性。未來的研究可以對多種方法、多種來源的文獻進行比較分析，從而獲得更可靠的研究結果。

參考文獻：

[1]王芳，夏曉慧，宋家梅.基于文本分析的高校圖書館服務創新研究[J].圖書館學研究，2019（21）：2-9.

[2]ZHENG X， CHEN W， ZHOU H， et al. Emoji-integrated polyseme probabilistic analysis model： sentiment analysis of short review texts on library service quality[J]. Traitement du signal， 2022， 39（1）：313-322.

[3]金武剛，鐘靜涵.技術時代公共圖書館“場所”價值的社會公眾認知研究：基于公共平臺網絡評論文本分析[J].圖書館雜志，2022，41（1）：17-28.

[4]NGUYEN M. Use of social media by academic libraries in australia： review and a case study[J]. Journal of the australian library and information association，2023，72（1）：75-99.

[5]李社蕾，周波，楊博雄.圖馬爾可夫卷積神經網絡半監督文本分類研究[J].計算機仿真，2022，39（9）：288-292.

[6]林鶴，曹磊，夏翠娟. 圖情大數據[M].上海：上海科學技術出版社，2020：50.

[7]徐彤陽，尹凱.基于深度學習的數字圖書館文本分類研究[J].情報科學，2019，37（10）：13-19.

[8]LIU C. Research on library book information resource management based on artificial intelligence and sensors[J]. Journal of sensors，2022： 3720811.

[9]ELNAGGAR A， HEINZINGER M， DALLAGO C， et al. Prottrans： Toward understanding the language of life through self-supervised learning[J]. IEEE transactions on pattern analysis and machine intelligence，2021，44（10）：7112-7127.

[10]MINAEE S， KALCHBRENNER N， CAMBRIA E， et al. Deep learning--based text classification： a comprehensive review[J]. ACM computing surveys（CSUR），2021，54（3）：1-40.

[11]OTTER D W， MEDINA J R， KALITA J K. A survey of the usages of deep learning for natural language processing[J]. IEEE transactions on neural networks and learning systems，2020，32（2）：604-624.

[12]RAGAB M， ALMUHAMMADI A， MANSOUR R F， et al. Natural language processing with deep learning enabled hybrid content retrieval model for digital library management[J]. Expert systems，2022： e13135.

[13]劉海鷗，黃文娜，姚蘇梅等.基于深度學習的移動圖書館用戶畫像情境化推薦[J].圖書館學研究，2019（21）：57-64.

[14]李默.基于深度學習的智慧圖書館移動視覺搜索服務模式研究[J].現代情報，2019，39（5）：89-96.

[15]SHI X， HAO C， YUE D， et al. Library book recommendation with CNN-FM deep learning approach[J]. Library hi tech，2023（1）：48-56.

[16] LIU Z， ZHAO W. Comparative research on structure function recognition based on deep learning[J]. Library hi tech，2022（6）：1-16.

[17]張凌云.基于深度學習的《資本論》漢英術語知識庫建設與應用研究[J].圖書館工作與研究，2023（2）：20-27+50.

[18]WU Y， WANG X， YU P， et al. ALBERT-BPF： a book purchase forecast model for university library by using ALBERT for text feature extraction[J]. Aslib journal of information management，2022，74（4）：673-687.

[19]JOO?S ， LU?K ， LEE?T. Analysis of content topics， user engagement and library factors in public library social media based on text mining[J].Online information review，2020，44（1）：258-277.

[20]WU?P ， LI?X ， SHEN?S ，et al.Social media opinion summarization using emotion cognition and convolutional neural networks[J].International journal of information management，2020（51）：101978.

[21]程雅倩，黃瑋，金曉祥，等.5G環境下高校圖書館自媒體平臺多標簽文本分類方法研究[J].情報科學，2022，40（2）：155-161.

[22]ZHENG?X， CHEN?W， ZHOU?H?J， et al. Emoji-Integrated polyseme probabilistic analysis model： sentiment analysis of short review texts on library service quality[J].Traitement du signal，2022（39）：313-322.

[23]SCIASCIO C D， STROHMAIER D， ERRECALDE M， et al. Interactive quality analytics of user-generated content： an integrated toolkit for the case of wikipedia[J]. ACM transactions on interactive intelligent systems（TiiS），2019，9（2-3）：155-196.

[24]李博，李洪蓮，關青等.基于CNN-BiLSTM-HAN混合神經網絡的高校圖書館社交網絡平臺細粒度情感分析[J].農業圖書情報學報，2022，34（4）：63-73.

[25]馬佳瀅，金武剛.國外公共圖書館“場所”價值的公眾認知研究——基于Google Maps在線評論文本分析[J].圖書與情報，2022（3）：6-19.

[26]BORREGO ?， COMALAT N M. What users say about public libraries： an analysis of google maps reviews[J]. Online information review，2021，45（1）：84-98.

[27]MINAEE S， KALCHBRENNER N， CAMBRIA E， et al. Deep learning： based text classification： a comprehensive review[J]. ACM computing surveys（CSUR），2021，54（3）：1-40.

[28]ROSCHK?H， GELBRICH??K. Identifying appropriate compensation types for service failures： a meta-analytic and experimental analysis[J]. Journal of service research，2014，17（2）：195-211.

[29]陳信.基于媒介傳播效果框架的圖書館短視頻評論文本分析[J].圖書館學研究，2023（2）：76-81.

[30]?Z?IFT A， AKARSU K， YUMUK F， et al. Advancing natural language processing（NLP） applications of morphologically rich languages with bidirectional encoder representations from transformers（BERT）：an empirical case study for Turkish[J]. Automatika： ?asopis za automatiku， mjerenje， elektroniku， ra?unarstvo i komunikacije，2021，62（2）：226-238.

[31]LI X， FU X， XU G， et al. Enhancing BERT representation with context-aware embedding for aspect-based sentiment analysis[J]. IEEE access，2020（8）：46868-46876.

[32]王靜靜，葉鷹，王婉茹. GPT類技術應用開啟智能信息處理之顛覆性變革[J]. 圖書館雜志，2023，42（5）：9-13.

[33]RAVE J I P， ?LVAREZ G P J， MORALES J C C.Multi-criteria decision-making leveraged by text analytics and interviews with strategists[J]. Journal of marketing analytics，2022（10）：30-49.

孫祝麗 ?紹興圖書館館員。浙江紹興，312000。

（收稿日期：2023-10-20?編校：謝艷秋）