基于神经网络的图书馆个性化服务质量的评价

李雪莹

摘要：本文通过对图书馆新一代个性化服务的分析构建了评价指标体系，应用BP神经网络建立了个性化服务的总体评价模型，该模型是通过精选的带标签样本完成神经网络的训练，可输出5级总体评价结果。对样本的评价结果进行分析可得出：建立的神经网络模型可以对输入的每个服务对象的指标数据进行有效评价，并给出优秀、良好、中等、一般和较差的合理等级分类，能够用于图书馆个性化服务质量的评估。

关键词：图书馆；个性化服务；神经网络；评价模型

中图分类号：G251 文献标识码：A 文章编号：1007-9416（2019）01-0082-04

0 引言

目前国内图书馆都推出了具有自己特色的个性化服务，特别是互联网、移动通信的普及给图书馆个性化服务增添了新内涵[1-3]，个人图书馆、智能化推送等都成了新的服务内容，对图书馆服务的评估也应与时俱进，构建新的评价指标体系[4]，研究新的评价模型[5-7]，才能做出恰当准确的评价，用以指导图书馆服务质量的改进。然而由于图书馆的个性化服务与服务对象自身的属性密切相关，如学生、教师、科研工作者等，对个性化服务的需求是有差异的，即使相同的服务对个性化服务质量的评价也不尽相同。因此构建的评价指标要尽可能考虑这种服务对象属性的差异，使其能够确切反映不同对象的需求。个性化服务评价的核心问题是评价模型的建立，一般图书馆评价采用层次结构的二级指标分解，指标数量较多，采用分项评估，只是对单项服务的质量的考量，不同个体关注的重点也是不一样，这样就难以从单项评估中推测对个性化服务质量的总体评价。为此需要建立所有个性化评价指标到服务质量的映射关系，这种关系本质上是多对多的非线性映射。本文采用一种三层BP神经网络来实现这种多对多的评价模型的建立，并通过相关精选数据样本的监督学习，完成BP神经网络的训练，使其能够有效地用于图书馆个性化服务质量的评价。

1 图书馆个性化服务指标的分析与构建

随着数字化、网络化技术的普及，图书馆个性化服务资源已从纸质文献向纸质、电子网络、多媒体文献综合发展，服务方式也成网络化、移动化和智能化等新模式，新的图书馆个性化服务评价指标应该考虑这些新因素的影响，本文通过网络问卷调查和专家咨询，在比较LibQual+的22项指标后[8]，从个性化服务效果、个性化信息控制和个性化信息交互三个维度分别建立了适合不同服务对象的18项个性化服务指标体系，在这些指标中包括了服务对象的共性指标，在语义上概括了不同属性服务对象的需求，指标汇总如表1所示。

2 图书馆个性化服务评价神经网络模型的建立

2.1 三层BP神经网络的结构

神经网络有多种结构形式，其中BP（Back Propagation）网络是目前应用最广泛的神经网络模型，是由Rumelhart和McCelland首先提出的，是一种按误差反向传播算法进行学习训练的多层前向（feedforward）网络模型[9]，能够实现各种输入-输出关系的映射，而不需事前揭示这种映射关系的数学表达。它的学习规则是使用梯度下降法，通过误差反向传播来不断调整网络的权值w和神经元的阈值b，使网络的期望输出和实际输出误差平方和最小。 BP神经网络模型拓扑结构包括输入层（input）、隐层（hide layer）和输出层（output layer），隐层即中间层可以有多层，每层分布着多个神经元，一个典型BP神经网如图1所示。

利用BP神经网络建模，首先确定网络的结构模式，包括网络层次、输入节点数n1、隐层节点数n2和输出节点数n3。除了输入层节点xi，每层的神经元都有相似的结构，用i，j，k分别作为输入层、隐层和输出层神经元的典型代表，所有输入xi（i=1～n1）通过权值wji与隐层神经元j相连（j=1～n2），汇聚求和得到uj，当和值超过阈值bj，神经元j处于激活状态，其激活状态通过激活函数f（.）来实现，产生一个输出yj， yj通过权值wkj与输出层神经元k相连（k=1～n3），与隐层相似，经过汇聚求和（uk）激活函数得到实际输出yk。

2.2 BP神经网络的学习过程

对BP神经网络，一般采用有师指导的监督学习模式，所谓监督学习，就是给定输入数据集xi和对应的已知的输出di（也称期望输出），训练网络的权值w和偏置b，使其在输入xi下，通过网络产生的实际输出yk与期望输出dk的误差最小，即学习訓练的目的就是确定网络的两个参数：每个神经元的连接权值w和偏置值b。为训练规范化，将偏置b作为一个特殊权值考虑，多设置一个输入1， 而将偏置b作为第一个权值分量wj0处理，与w合成一个参数，所以本文中对每个神经元要训练的参数只有w。网络的学习可分为前向计算和反向传播计算两个过程。

（1）网络的前向计算。

δk（t）是隐层相连的下一层k神经元的灵敏度，wkj（t）是j节点与k节点之间的权值，（7）表明隐层灵敏度δj（t）是邻接的输出层所有灵敏度的加权和与激活函数导数之积，故需要先计算输出层灵敏度δk（t），然后才能计算隐层灵敏度δj（t），如果有多层以此类推，这就是误差梯度由输出向输入进行的反向传播。输入层与隐层，隐层与输出层的权值更新量Δw可以统一表达如下：

2.3 个性化服务评价神经网络的建立与训练

本文从三个维度两个层次建立了图书馆的个性化服务质量的18项评价指标体系，服务对象根据自己期望得到的个性化服务和实际感知到的个性化服务对图书馆个性化服务按这18项指标进行评价打分，同时给出总体评价。一般可将总体服务质量分为几个等级，本文按5级分档，由高到低依次是{优秀，良好，中等，一般，较差}，所以个性化质量评估建模实质上就是建立18项指标到5级分档的映射关系，然而这种18维输入-5维输出的映射关系是一种非线性的，很难用数学方法表述，故本文采用BP神经网络进行个性化质量评估建模。

应用BP神经网络对图书馆的个性化服务质量评估进行建模，首先需要设计出BP神经网的结构模式，主要包括网络层数和每层的节点数（神经元数量），本文采用输入—隐层—输出三层结构的BP神经网络，根据18项二级指标，故可以确定输入层节点数n1=18，而个性化评价等级分为{优秀，良好，中等，一般，差}5个等级，网络的输出节点数可设为n3=5，隐层节点数n2的确定没用什么专用方法可循，一般凭经验或试验确定，一个经验估计公式是：（n1+n3）1/2+a，（a=2～10为经验常数），以这一估计公式为下限，取隐层节点数n2=20，如图2所示。

采用50个精选样本{xi，di}，其数据的组织如图3所示，xi的18项评价数据按列形成输入矩阵X，对应期望输出di按列形成评价等级标签D。

网络训练采用梯度下降法，性能指标为网络输出总误差的平方和（见公式4），设定训练目标即误差的阈值Eth=10-4，图4为个性化服务质量评价神经网络的训练过程曲线，为均匀展示数据采用了对数坐标。

对训练好的BP神经网络，每输入一个服务对象的18项评价分数，都将产生一个5项实际输出y（1）～y（5），即属于{优秀，良好，中等，一般，差}的置信度，一般取最大者为预测的评价等级。

3 图书馆评价的实证分析

为了检验评价模型的有效性，通过网上问卷调查的方式获取每个服务对象对某图书馆的18项评价指标的打分数据，输入到已经训练好的神经网络模型，将获得每个服务对象的网络评价输出。设第i个服务的评价结果即对应的神经网络的输出为yi=[yi（1），yi（2），yi（3），yi（4），yi（5）]，假设有N个服务对象评价样本，则总体样本属于有优秀、良好、中等、一般和较差的均值为：

（8）

这里测试获取的样本数N=150个，按公式（8）计算服务对象的的最后评价均值ym={0.520，0.853，0.420，0.133，0.126}，取5项之中的最大值，最后评价应该是“良好”。另外一种处理方法是不求平均值，把输出看做条件概率p，求其乘积，然后取其最大值，为防止小数位数过多，计算中可取对数，即：

（j=1，2，3，4，5） （9）

评价结果=max{p1，p2，p3，p4，p5}，针对同一批实证数据，按公式（9）得到的概率分布pj={0.301，0.413，0.115，0.008，0.005}，取对应最大值的评价结果的等级为“良好”。

以上是直接将样本指标数据输入神经网络评价模型取得的综合评价结果，在进行150个测试样本采样时，给出18项指标分数的同时让服务对象给出优秀、良好、中等、一般、较差的总体评价，其数据如表2所示。

从表2可以看出实证分析的图书馆的个性化服务获得“良好”评价的数量最多，这和通过指标打分的神经网络模型预测的结果一致，所以本模型对服务对象评价是有效可行的，在实际应用过程中，不需要用户输入总体评价，只输入指标的评价分数就可以得到服务质量的总体评价。

4 结语

针对图书馆新一代个性化服务的内涵，从三个维度建立了18项服务质量的评价指标，为实现18项评价分数到五级服务质量的映射，应用BP神经网络建立了评价模型，通过对150个某图书馆的个性化评价结果的实证分析，验证了本文建立模型的有效性，可以用于图书馆个性化服务质量的评价。

参考文献

[1] 晁亚男.大数据环境下数字图书馆服务情境建构的新内涵与新方式[J].图书馆学研究，2017（24）：32-36+24.

[2] 龙斌.“互联网+”背景下高校图书馆学科服务发展策略研究[J].图书馆学刊，2018（10）：91-94.

[3] 吴锦辉.基于微信公众号推文内容的高校图书馆服务创新分析[J].情报探索，2018（12）：103-108.

[4] 涂静.高校图书馆个性化服务评价指標体系研究[D].西南交通大学，2016.

[5] 宋蔓蔓，李正琪.高校图书馆个性化推荐服务评价标准研究[J].统计与管理，2015（10）：103-104.

[6] 周玲元，闫思琪，朱翔宇.“智慧图书馆”情境感知服务模式及评价研究[J].图书馆学研究，2017（21）：23-30.

[7] 李宁，高沨.高校图书馆个性化信息服务评价体系研究[J].江苏科技信息，2013（24）：24-25+27.

[8] 唐美荣.基于LibQUAL～（+TM）的高校移动图书馆服务质量评价探析[J].图书情报导刊，2017，2（02）：42-46.

[9] 苏丽冰.BP神经网络的改进综述[J].信息与电脑（理论版），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