GRNN在圖書館電子資料借閱服務評價中的應用

孫達辰，金松根，周廣群

（牡丹江醫學院 圖書館，黑龍江 牡丹江 157011）

隨著圖書館電子資料與日俱增，電子資料越來越成為廣大用戶不可缺少的服務內容，而且需求量不斷增加。如何不斷提高圖書館電子資料借閱服務的質量，為這種服務建立一個科學可靠的服務質量評價模型，是文中研究的內容。依靠人工問卷調查方式進行服務質量評價，費時費力，工作量大，且不可避免地存在誤差。文中在研究本館電子資料借閱服務情況的基礎上，對代表這種服務質量的要素進行量化，構造了基于GRNN神經網絡的圖書館電子資料借閱服務評價模型。

1 圖書館電子資料借閱服務要素及其量化

圖書館電子資料借閱服務要素主要包括館員的服務態度、服務效率和電子資料本身的質量3個方面，這3個方面相促進與限制，具體細化為以下內容：1）服務態度包括耐心與細心程度兩項；2）服務效率包括目標電子資料的查找效率及相關電子資料的推薦兩項；3）電子資料本身的質量包括同一電子資料的數量、數據類型，電子資料種類與數量。其中，電子資料本身的質量是服務能力的最終體現，起到了很大的作用，在量化的時候占的分值要高一些。

2 GRNN神經網絡的工作原理

神經網絡也稱為人工神經網絡（Artifical Neural Network，ANN），起源于對生理學和神經學中有關神經細胞計算本質的模擬和演化的研究工作。就是一組相互連接的輸入輸出單元（人工神經元），這些單元之間的每個連接都關聯一個權重值。

人工神經元相當于一個多輸入單輸出的非線性閾值器件，如圖1所示。

圖1 人工神經元Fig.1 Artifical neural

這里的 X1，X2，…，Xn表示它的 N 個輸入；W1，W2，…，Wn表示與它相連的n個連接強度，其值稱為權值；∑Wi×Xi稱為激活值，表示這個人工神經元的輸入總和，o表示這個人工神經元的輸出；θ表示這個人工神經元的閾值。如果輸入信號的加權和超過θ，則人工神經元被激活。這樣，人工神經元的輸出可描述為： o=f（∑Wi×Xi-θ）。

對于建立后的神經網絡，通過調整權重值來實現輸入樣本與其相應類別的對應，這一過程主要是針對網絡內部各個連接權重值的調整，而這一過程就是神經網絡的學習過程，也是網絡的訓練過程。這一過程，使得神經網絡能以一種新的方式對外部環境做出反應，使網絡能從外部環境中學習和在學習提高自身的性能，這是神經網絡最有意義的性質。

神經網絡不同的連接方式形成了不同網絡結構，由于產生了不同的網絡性能；不同的網絡結構相應地需要不同的學習算法，也就是學習過程會有差別。學習算法是指針對學習問題的規則的集合，不同的學習算法對神經元連接的調整表達式也有所不同。

模仿人的學習過程，神經網絡的有兩種學習過程，可以相應地分為兩種對應的神經網絡學習模型，即有導師學習網絡、無導師學習網絡。有導師學習網絡是在有指導和考察的情況下進行的，如果學完了沒有達到目標要求，則還要繼續學習。無導師學習是靠學習或者說神經網絡本身自行完成。無導師學習包括強化學習與無監督學習或自組織學習，在強化學習中，對于輸入輸出映射的學習通過與外界環境的連續作用最小化性能的標量索引來完成的。在無監督學習中沒有外界部導師或評價監測學習過程，只是提供一個關于網絡學習表示方法質量的測量尺度，依據這個尺度將網絡的可變參數進行最優化。

神經網絡的優點就是對噪聲數據具有較好的適應能力，并且對未知數據也具有較好的預測與分類能力，同時神經網絡本身具有較好的并行性[1]。

徑向基神經網絡包括兩層神經元，第一層是由S1個徑向基神經元組成的隱層，第二層是由S2個線性神經元組成的輸出層。其網絡結構如圖2所示。

徑向基神經元具有多種不同的傳遞函數，最常用的是高斯函數。徑向基神經元傳遞函數的輸入是權值向量和輸入向量之間的向量距離與偏差b的乘積。徑向基神經元的模型如圖3所示，圖中||dist||表示的是權值與輸入向量的點積。

圖2 徑向基神經網絡結構Fig.2 Regularization network

廣義回歸神經網絡 （Generalregression Neuml Network，GRNN）具有訓練過程不需迭代、人為調節的參數值只有一個閾值、學習速度較快等優點，獲得了較廣泛的應運[2]。GRNN神經網絡是由一個徑向基層與一個特殊線性層構成的神經網絡，通常被用來做函數逼近[3]。GRNN神經網絡的模型如圖2所示。

圖3 徑向基網絡神經元Fig.3 Reglarization neural

圖4 廣義回歸神經網絡Fig.4 Geneml reg1arization neural network

廣義回歸神經網絡在逼近能力、分類能力和學習速率上較BP網絡和RBF網絡有著較強的優勢，網絡最后收斂于樣本量集聚較多的優化回歸面，并且在樣本數據缺乏時，效果也較好，另外，該網絡還可以處理不穩定的數據[1]，所以，文中使用廣義回歸神經網絡為圖書館電子資料借閱服務評價系統建立評價模型。

3 模型的構建

文中以2009年3月份到2011年7月份每月份的圖書館電子資料借閱服務的服務質量問卷調查數據為原始數據，并依據文中的分析進行量化，得到最終所需要的試驗數據，部分數據及其對應服務質量等級的如表1所示，其中服務質量等級中：不合格為 0～0.59，合格為 0.60～0.69，良好為 0.70～0.79，優秀為 0.80～1.00。

共有25個數據，每個數據包括耐心程度、細心程度、目標電子資料的查找效率、相關電子資料的推薦情況、同一電子資料的數量、數據類型和電子資料種類與數量7個屬性。這25個數據中前21個數據為訓練樣本，后4個數據為檢驗樣本。

3.1 網絡模型的構建

由于每個數據包括耐心程度、細心程度、目標電子資料的查找效率、相關電子資料的推薦情況、同一電子資料的數量、數據類型和電子資料種類與數量7個屬性，所以輸入樣本為具有7個屬性的向量；輸出層結點對現實中的服務質量等級，所以目標樣本是具有一個屬性的樣本。還有一個重要的參數需要設置，這個參數為光滑因子，它對網絡性能具有較大影響，目前只能采取嘗試的方法才能獲得最佳的值。

3.2 網絡模型的訓練

本網絡模型在Matlab2008a環境中進行構建，依據前面的分析構建網絡的代碼為：

P為輸入樣本數據，它是具有7個屬性的向量；T為目標樣本數據，它具有一個屬性；i為光滑因子，在同樣的樣本集上，通過調整這個光滑因子，來比較本網絡的效果，通過不斷的調整來達到最佳的運行效果。

3.3 網絡模型的檢驗

將4個檢驗數據對已經訓練好的網絡模型進行檢驗，再把所得的結果與服務質量等級對比，通過多次比較，當光滑因子i為0.1時，網絡的效果最為理想。

表1 服務質量量化表Tab.1 Quantization table of service quality

4 結束語

文中以圖書館電子資料借閱服務的服務質量問卷調查數據為原始數據，依據GRNN神經網絡自身的特點，構建了基于GRNN神經網絡的圖書館電子資料借閱服務評價模型，對量化后的數據進行計算，得到了良好的結果，這證明本評價模型可以在實際中使用。

[1]張德豐.MATLAB神經網絡應用設計[M].北京：機械工業出版社，2009.

[2]黃崇珍，梁靜國.基于GRNN的海上鉆井平臺建造質量預測研究[J].哈爾濱工程大學學報，2009，30（3）:339－342.

HUANG Chong-zhen，LIANC Jing-guo.Predicting construction quality of a marine drilling platform based on GRNN[J].Journa1 of Harbin Engineering University，2009，30（3）:339－342.

[3]朱凱，王正林.精通MATLAB神經網絡[M].北京：電子工業出版社，2010.

[4]劉世平.數據挖掘技術及應用[M].北京：高等教育出版，社2010.

[5]Watkins C.Learning from delayed rewards[D].Cambridge，England:King’s College，1989.

[6]徐麗娜.神經網絡控制[M].北京：人民交通出版社，2002.