基于BP神經網絡的中文圖書采購招標評價

李雪萍 ，吳青林 ，熊 琪

(1.東華理工大學圖書館，江西 撫州 344000；2.江西農業大學圖書館，江西 南昌 330045；3.江西省圖書館，江西 南昌 330046)

隨著《中華人民共和國招標投標法》和《中華人民共和國政府采購法》的頒布和施行，圖書館中文圖書采購工作實行招投標的管理方法。近年來，很多圖書館率先采用了中文圖書的采購招標，取得了一定的效果，但也存在供應商選擇不夠科學合理的問題。如何確立一套合理的、符合圖書館工作需要的供應商選擇評價指標體系，用以指導圖書館中文圖書的招投標采購，顯得尤為重要。對中文圖書的采購招標進行詳細準確評價是一項復雜的工程，它的評價指標、評價標準、評價技術和方法有很多，這一系列指標構成了一個復雜的非線性系統模型。人工神經網絡(ANN)是并行分布式系統，它采用與傳統人工智能和信息處理技術完全不同的機理，克服了傳統的基于邏輯符號的人工智能在處理直覺、非結構化信息方面的缺陷，具有自適應、自組織和實時學習的特點，所以在解決復雜度問題中有著廣泛的應用。BP（Back Propagation）即神經網絡則是一種按誤差逆傳播算法訓練的多層前饋網絡，是擅長處理規律隱含在雜亂無章數據中的映射逼近問題最廣泛的神經網絡模型之一。本文采用BP神經網絡設計出新型的中文圖書采購招標評價系統模型，從定量和定性的角度合理的評價各書商的實力，為中文圖書采購招標、選擇圖書供應商提供參考。

1 中文圖書采購招標評價指標體系的建立

中文圖書采購招標評價是通過收集各圖書館在采購評標過程中的可用性數據或潛在的可用數據，并立足于對有關因素的全面分析，對系統的設計特征提出建議。本文從資信實力、服務承諾、到貨、報價四個方面給出了20個評價指標，具體內容如表1所示。利用表1所列出的20個評價指標，可對書商進行綜合評價，從而利于圖書館選擇圖書供應商。

表1 中文圖書采購招標評價指標

2 BP算法及其改進

2.1 BP神經網絡

人工神經元作為人工神經網絡在處理數據時的一個基本單元，是一個數學模型，它類似于生物的神經元，主要通過相連的下級神經元對輸入數據進行接收。主要分前向、反饋和自組織網絡三種。

BP網絡屬于誤差的反向傳播網絡，它是前向網絡的一種。BP網絡有輸入層、隱含層、輸出層，每層之間各部分全部相連。輸入層的節點接入信號，再按順序傳過每一個隱含層的層序節點，最后到達輸出節點。通過多次實踐證明，三層BP網絡就像是一個連續的函數，它的精度可以任意逼近。

2.2 BP算法

從數學意義上講，BP網絡的基本思想是利用映射訓練樣本（x1y1）、（x2y2）、（xkyk），實現從 n維歐氏空間子集到f[A]的映射。BP網絡的學習過程是由信號的正向和反向兩個傳播過程組成。正向傳播時，輸入樣本從輸入層傳入，經各隱層逐層處理后，傳向輸出層，每一層神經元狀態只影響下一層神經元狀態。若輸出層的實際輸出與期望的輸出不符，則轉入誤差的反向傳播階段。誤差反傳是將輸出誤差以某種形式通過隱含層向輸入層逐層反傳，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號，此誤差信號即作為修正各單元權值的依據。這種信號正向傳播與誤差反向傳播的各層權值調整過程，是周而復始地進行的。權值不斷調整的過程，也就是網絡的學習訓練過程。此過程一直進行到網絡輸出的誤差減少到可接受的程度，或進行到預先設定的學習次數為止。BP網絡學習詳細過程如下：

（1）給各權值或閾值分配其初始值：Wji(0)、θj(0)為小的隨機數值。

（2）提供訓練樣本：從輸入層輸入矢量 Xk，k=1,2,…,P，以及其期望輸出=Dk，k=1,2,…,P，對每一個從輸入層輸入的樣本進行下面(2.2.3)到(2.2.5)的迭代。

（3）計算BP神經網絡的實際輸出結果和隱含層單元的反傳狀態：

okj=fj(+θj)，其中 f(x)為轉移函數，采取 Sigmoid 函數，即 f(x)=

（4）計算訓練誤差：

（6）當k每經歷1至p后，判斷指標是否符合精度要求：

（7）結束。

2.3 改進BP算法

傳統BP神經網絡算法都是把從輸入層輸入、輸出層輸出的樣本問題轉變為數學方式中的非線性優化問題，使用的是優化算法過程中的梯度下降法，這種算法是最普通的。BP算法具有很強的非線性映射能力，其網絡所隱含神經元的層數、各層神經元總數量以及算法的標準系數都可以視具體情況而進行相應設定，能高強度的識別。這些復雜的非線性仿真模型從理論角度說是可以達到無限小的，但在實際運行過程中，標準的BP算法還是會有收斂速度相對較慢，而且容易陷入局部極限值的缺點。這個可以通過以下措施改進。

2.3.1 學習速率應現狀而調整

造成標準BP神經網絡算法的收斂速度過慢的原因之一是學習速率不適當。如果該算法學習速率太小的話，會造成收斂速率太慢；而一旦學習速率太大的話，更有可能會導致該BP神經網絡算法振蕩不收斂，更嚴重的會導致發散。這時就要進行該算法學習率的自適應性調整。當算法出現連續兩次或以上迭代的梯度其方向都相同時，說明梯度下降太慢了，要將步長翻倍調整；而如果是連續兩次或以上迭代梯度方向都相反時，說明下降梯度過頭了，那么就可以把步長減為一半。

2.3.2 加載動量項目

標準BP神經網絡算法在修正w(t)時，只會按照這一時刻的瞬間負方向的梯度來進行修正，而不會比較和參照前面部分時刻的梯度方向，這樣就常常導致學習過程發生激烈振蕩，使得算法的收斂過程較慢。加載動量項的目的就是為了降低BP神經網絡對出現誤差的曲面細節問題的敏感程度，從而使得網絡受限于局部的程度極小。

3 基于BP神經網絡的中文圖書采購招標評價系統設計

3.1 評價指標的標準化

由于中文圖書采購招標評價有一系列的指標，這其中包括了定性和定量兩種類型指標，而且各評價指標都有不同的量綱。我們取定輸入層輸入節點數據的取值范圍為[0,1]，然后再對評價指標進行一系列的標準化處理。

3.1.1 定量指標

對于中文圖書采購評價指標ui，其評價指標的最小值為mi，最大值為Mi。設ri為招標人員對中文圖書采購評價指標ui的屬性值xi的無量綱化值，且ri[0,1]。根據圖書采購評價指標的類型，可以采用如下兩種無量綱化標準函數來計算：

3.1.2 定性指標

在前面的評價指標體系中，大部分指標只能進行一些定性的描述，沒有直接的量化指標，我們可以采用確定中文圖書采購各評價指標的等級隸屬度的方法來使其得到量化。步驟為：設Ui為定性評價指標，Ui相對于評價集的隸屬度向量為：。這里的隸屬度向量值可以采用專家調查方法，再通過集值統計進行確定，也可通過模糊數學方法中的確定隸屬函數方法確定。如果為了簡便快捷，可以直接進行專家打分確定，專家在評分時對中文圖書采購招標中的每個評價指標的影響因素進行充分的分析，并審核，再估算出每個招標評價指標的應取評分值，其取值范圍依然是[0,1]。中文圖書采購招標往往采用的是定性與定量指標相結合的評價方式，所以可以參照定量指標的一些處理方法，把這些指標的評分值做標準化處理后再作為BP神經網絡的輸入。

3.2 系統結構設計

實驗表明，具有單隱層的BP網絡可以達到逼近任意的連續函數的極限。本文采用三層BP網絡模擬中文圖書采購招標評價系統的評價過程。將中文圖書采購評價指標的標準化值作為網絡輸入點的輸入向量，該網絡包含了20個輸入節點，1個輸出節點，輸出值為中文圖書采購招標評價結果，即中文圖書采購招標的相對量化值。實驗過程中因為輸入和輸出向量之間不能滿足數學的線性關系，我們就選擇了單極性的Sigmoid函數作為轉移函數。對隱含層節點數采用經驗公式：，其中、、分別為隱含層、輸入層、輸出層的神經元數目，L則是從一至十之間的任一整數，然后再采取對比實驗的方式來選擇最佳隱含層節點的數目。采用改進BP神經網絡算法進行學習，根據所學時間的次數和達到全局誤差的綜合效果來看，6個隱含層神經元比較合適。

以資信實力、服務承諾等20項中文圖書采購招標評價指標的標準量化值作為BP神經網絡輸入點的輸入向量，用表示；隱含層節點用向量表示；O=（o1）表示輸出層的輸出向量，根據轉移函數的性質，是中文圖書采購招標的綜合評價分值，用來表示。所得到的S分值越大，則表明這個中文圖書的供應商的相對服務質量越高，相反則其相對服務質量就越低。將訓練集的實際輸出數據轉換為[0,1]的數值，期望輸出用T=(t1)表示。輸入層節點到隱含層節點的權值用向量表示，隱含層節點到輸出層節點的權值用向量表示。對于隱含層有：

這樣隱含層和輸出層兩層就建立了中文圖書采購招標評價系統。結構如圖1所示：

圖1 基于BP神經網絡的中文圖書采購招標評價系統設計結構圖

3.3 網絡訓練樣本的獲得

BP神經網絡之所以具有評價功能，都是經過了大量樣本數據的訓練的。因此，要獲得網絡訓練的樣本的前提是獲取大量的訓練數據。所以我們可以選取適量圖書供應商來作為實證分析的對象，即神經網絡的訓練單元。再將前面所提及的20項評價指標作為專家對這些圖書供應商的打分值，把這些分值作為神經元的輸入層輸入數據，網絡期望輸出數據就取相應書商的評價值。網絡期望輸出可以采取層次分析法(AHP)獲得，這種方法也是一種定性與定量相結合的系統化、層次化決策分析方法。層次分析法的基本原理是將一個復雜得多目標決策問題作為一個系統，將目標分解為多個目標或準則，進而分解為多指標（或準則、約束）的若干層次，通過定性指標模糊量化方法算出層次單排序（權數）和總排序，以作為目標（多指標）、多方案優化決策。通過層次分析法的分析，我們不僅可以準確得出各個評價指標對于圖書供應商的相對價值權重，還能將各個評價指標的評分值與指標權重進行加權相加，最后得出各圖書供應商的綜合評價分值，該評價分值就能作為網絡的期望輸出。通過采用層次分析法，我們就能獲得訓練和仿真樣本。

3.4 網絡訓練與系統仿真

獲得了網絡訓練樣本數據后，就要對網絡進行訓練。我們將編號為1～5的圖書供應商所提供的以往數據作為訓練單元輸入到BP神經網絡的輸入層神經元，并設定書商的學習精度為，書商學習速率最初值為0.05，所得出的訓練樣本的綜合評價值就可以作為網絡期望，在BP神經網絡的輸出層輸出。當訓練誤差達到了圖書館采購標準所要求的精度時，就停止訓練。再將編號為6～10的圖書供應商作為仿真樣本來檢驗網絡的評價和預測精度，發現網絡的仿真結果同樣本的評價結果非常接近，如表2所示。這就表明該網絡具有很好的泛化能力，采用BP神經網絡建立中文圖書采購招標評價系統是完全可行的。

表2 系統仿真結果表

4 結束語

中文圖書采購招標評價是圖書館文獻資源建設工作的重要內容，對中文圖書供應商進行科學、客觀的評價，是進行公平、合理招標的基礎，這一點對于提高圖書館文獻資源建設質量非常關鍵。本文基于中文圖書采購招標的評價指標體系，并通過BP神經網絡模型來設計中文圖書采購招標評價系統，有效地克服評價過程中人為確定標準值和權重的主觀性因素的干擾，更能在中文圖書采購招標時科學客觀地評價各書商。這一評價試驗表明，BP神經網絡系統評價的結果正確。各館在操作過程中，要充分考慮系統評價的公平有效，要對評價模型進行適當的調整，這樣就能保證該采購招標評價系統成為高效準確又易操作的系統。如果這些都能做到的話，那么基于BP神經網絡的中文圖書采購招標評價系統就能夠成為圖書館進行采購招標選擇合適供應商的有效工具。

[1] 曲長生,李明珍,劉凡儒.中文圖書采購招標評價指標體系的建立[J].大學圖書館學報,2007(3):11-14.

[2] 趙會平.圖書采購招標評分要項的探析[J].大學圖書館學報,2007(2):20-23.

[3] 汪克亮.楊力,查甫更.基于BP神經網絡的工作崗位評價系統[J].企業經濟,2007(12):30-33.

[4] 田中禾,劉俊宏,何莉.基于BP神經網絡的員工素質評價模型[J].統計與決策,2008(5):171-173.