ＢＰ神經網絡在數字參考咨詢服務評價中的應用

〔摘 要〕本文首先介紹了BP神經網絡原理，并構建一個數字參考咨詢服務評價指標體系，在此基礎上提出了一種基于BP神經網絡的評價模型來對這項服務進行定量評價。

〔關鍵詞〕數字參考咨詢服務；BP神經網絡；服務評價

〔中圖分類號〕G250 〔文獻標識碼〕A 〔文章編號〕1 008-0821(2009)03-0167-03

參考咨詢服務是圖書館的核心競爭力。隨著信息技術和網絡技術的發展，參考咨詢服務發生了深刻的變化，數字參考咨詢服務逐漸成為新時期圖書館開展參考咨詢服務的主要方式。數字參考咨詢服務(Digital Reference Services，DRS)，也稱虛擬參考咨詢服務(Virtual Reference Services)、電子參考咨詢服務(E-reference Services)或在線參考咨詢服務(Online Reference Services)，是一種基于Internet的各種信息交流手段的人工協調的提問——問答服務。其核心是一種分布式信息網絡中具有特定知識和技能的咨詢專家 對用戶的個性化服務。其服務模式主要包括基于E-Mail、Web表單的異步咨詢模式，基于網 絡聊天、網絡白板、共同瀏覽等的實時咨詢模式以及合作化綜合咨詢模式。為了更好地支持 這項服務，使其服務質量得到改進，更好地服務于用戶，就必須對其進行合理有效的評價， 同時也可以為評價圖書館整體服務質量提供參考。

目前對數字參考咨詢服務評價主要采用定性分析的方法進行分析，用定量分析的方法很少。本文應用BP神經網絡模型，采用定量與定性相結合的方法，建立數字參考咨詢服務評價及其影響因素之間的非線性關系，實現對數字參考咨詢服務綜合評價，以便更加客觀準確地反映數字參考咨詢服務質量情況。

1 BP神經網絡原理

神經網絡是模仿人腦而建立的，具有和人類大腦相似功能的具有學習功能的統計模型。BP神經網絡是一種按誤差反向傳播算法訓練的多層前饋網絡，從網絡結構上來說，數據流從前一層神經元單向饋入后一層神經元。其訓練方法采用反向傳播算法，即BP算法，從輸出層開始進行神經元的鏈接權重的訓練，然后反向更新前一層的鏈接權重，實現誤差信號的反向傳播。

如圖1所示，在BP神經網絡中，訓練樣本包括輸入向量t₁、t₂ …t_n及與其對應的期望輸出量c₁、c₂、…c_m。數據流以輸入層→隱含層→輸出層方向進行正向傳播，輸出層的實際輸出量若與期望輸出量存在偏差，則轉向誤差信號的反向傳播。正反向傳播交替進行。實際輸出值與期望輸出值之間的偏差，通過調整輸入層節點與隱含層節點的鏈接權重w_ij和隱含層節點與輸出層節點之間的鏈接權重v_jk，使誤差沿梯度方向下降，經過反復學習訓練，確定與最小誤差相對應的權值和閥值[1]。經過訓練的神經網絡能對類似樣本的輸入量，自行處理輸出誤差最小的經過非線性轉換的輸出量。

2 構建數字參考咨詢服務評價指標體系

根據數字參考咨詢服務以用戶為中心的原則，參照目前國外流行的SERVQUAL評價體系、LibQUAL+體系以及VDR數字參考咨詢服務質量指標體系，結合國內已有的數字參考咨詢服務評價指標體系的研究[2-5]，建立一個評價數字參考咨詢服務的指標體系，從數字參考源、技術平臺、參考服務、咨詢隊伍、用戶滿意度5個角度來劃分，再分別根據其特征進行指標的細分。如表1所示。

3 建立基于BP神經網絡的數字參考咨詢服務評價模型

神經網絡可以根據已有的訓練數據自動歸納規則，獲得數據的內在規律，與其他對數字參考咨詢服務評價的方法相比，它避免了人為計取權重和相關系數時人為因素的干擾，使評價結果更為客觀[6]。另外，它還具有自適應、自組織等優點，善于對不確定的信息進行推理，具有相當的容錯能力，這些都非常符合數字參考咨詢服務評價指標體系的特征。本文采用目前應用最為廣泛的BP神經網絡來構造數字參考咨詢服務的評價模型。

3.1 評價指標標準化

由表1可以看出，評價指標中有諸如數字參考源總量的定量指標，還有大量的定性指標，如數字參考源的穩定性。為了使這些指標具有可比性，我們需要對這些指標進行標準化處理。定量指標可采用數學方法進行規范化處理和同趨化處理，定性指標的值可通過專家打分法來確定[7]。

3.2 設計BP神經網絡模型

3.2.1 確定BP網絡的層數

Kolmogrov理論證明，若網絡的中間層節點數可任意選擇，那么用含有Sigmoid神經元的三層網絡可以任意精度逼近任何連續函數。經驗也表明，在設計多層前饋網時，一般先考慮設一個隱含層，當一個隱含層的節點數很多仍不能改善網絡性能時，才考慮再增加一個隱含層。因此本文選取三層結構來建立BP神經網絡評價模型。

3.2.2 確定輸入層節點數、輸出層節點數

輸入層節點的數量設定為經過標準化處理的數字參考咨詢服務評價的二級指標的總量，根據表1所示，輸入層節點數確定為53個。模型建立的最終目標是對數字參考咨詢服務進行綜合評價，因此將輸出層設定為1個節點。

3.2.3 確定BP網絡隱含層節點數

對于BP神經網絡來說，隱含層節點的確定是成敗的關鍵。然而到目前為止，對隱含層節點數的確定尚無定論，但其遵守一個原則:在能正確反映輸入輸出關系的基礎上，應選用較少的隱層節點數，以使網絡結構盡量簡單。本論文根據數字參考咨詢服務評價體系的劃分情況，確定隱含層節點數為一級指標的數量，為15個。

由此，可以建立數字參考咨詢服務評價的BP神經網絡模型，如圖2所示。

3.3 網絡訓練

根據表1所示數字參考咨詢服務評價指標體系，選取優秀圖書館的數字參考服務為訓練樣本，獲得其各項指標值，并進行標準化處理，輸入上述模型。模型中初始權重的選擇可以采用在[-1，1]間生成的隨機數。依照BP神經網絡的原理進行樣本訓練，訓練完畢后可以確定各層神經元間的權重。經過訓練后的模型，就可以處理其他類似樣本了，實現對數字參考咨詢服務的綜合評價。

4 結束語

采用BP神經網絡進行數字參考咨詢服務評價，能夠透過權重觀察到評價指標對總體服務質量的不同影響程度，可以有針對性地改進服務質量。通過模型得出的數字參考咨詢服務的綜合評價結果，更加客觀真實地反映了數字參考咨詢服務的質量情況，為新時期圖書館整體服務質量的評估提供了客觀依據。

參考文獻

[1]叢爽.面向MATLAB工具箱的神經網絡理論與應用[M].合肥:中國科學技術大學出版社，2003.

[2]Gray，Suzanne M.Virtual reference services directions and agendas[J].ReferenceUser Services Quarterly，2000，39(4).

[3]Xie，Hong，and Wolfram，Dietmar.State digital library usability:Contributingorganizational factor[J].Journal of the American Society for Information Science and Technology，2002，(13).

[4]吳登生.AHPTOPSIS在數字參考咨詢服務評價中的應用[J].現代圖書情報技術，2006，(4):37-40，48.

[5]郭晶.數字參考服務質量評估體系建立初探[J].上海交通大學學報，2003，(增刊).

[6]鞠建偉，梁花俠.高校圖書館服務用戶滿意度的BP神經網絡模型的建立[J].情報雜志，2004，(8):103-104，109.

[7]李學萍，馮凱.基于神經網絡的圖書館服務用戶滿意度評價體系[J].情報雜志，2006，(3):87-88.