ＢＰ神经网络在数字参考咨询服务评价中的应用

王静婷

〔摘 要〕本文首先介绍了BP神经网络原理，并构建一个数字参考咨询服务评价指标体系，在此基础上提出了一种基于BP神经网络的评价模型来对这项服务进行定量评价。

〔关键词〕数字参考咨询服务；BP神经网络；服务评价

〔中图分类号〕G250 〔文献标识码〕A 〔文章编号〕1 008-0821(2009)03-0167-03

参考咨询服务是图书馆的核心竞争力。随着信息技术和网络技术的发展，参考咨询服务发生了深刻的变化，数字参考咨询服务逐渐成为新时期图书馆开展参考咨询服务的主要方式。数字参考咨询服务(Digital Reference Services，DRS)，也称虚拟参考咨询服务(Virtual Reference Services)、电子参考咨询服务(E-reference Services)或在线参考咨询服务(Online Reference Services)，是一种基于Internet的各种信息交流手段的人工协调的提问——问答服务。其核心是一种分布式信息网络中具有特定知识和技能的咨询专家 对用户的个性化服务。其服务模式主要包括基于E-Mail、Web表单的异步咨询模式，基于网 络聊天、网络白板、共同浏览等的实时咨询模式以及合作化综合咨询模式。为了更好地支持 这项服务，使其服务质量得到改进，更好地服务于用户，就必须对其进行合理有效的评价， 同时也可以为评价图书馆整体服务质量提供参考。

目前对数字参考咨询服务评价主要采用定性分析的方法进行分析，用定量分析的方法很少。本文应用BP神经网络模型，采用定量与定性相结合的方法，建立数字参考咨询服务评价及其影响因素之间的非线性关系，实现对数字参考咨询服务综合评价，以便更加客观准确地反映数字参考咨询服务质量情况。

1 BP神经网络原理

神经网络是模仿人脑而建立的，具有和人类大脑相似功能的具有学习功能的统计模型。BP神经网络是一种按误差反向传播算法训练的多层前馈网络，从网络结构上来说，数据流从前一层神经元单向馈入后一层神经元。其训练方法采用反向传播算法，即BP算法，从输出层开始进行神经元的链接权重的训练，然后反向更新前一层的链接权重，实现误差信号的反向传播。

如图1所示，在BP神经网络中，训练样本包括输入向量t₁、t₂…t_n及与其对应的期望输出量c₁、c₂、…c_m。数据流以输入层→隐含层→输出层方向进行正向传播，输出层的实际输出量若与期望输出量存在偏差，则转向误差信号的反向传播。正反向传播交替进行。实际输出值与期望输出值之间的偏差，通过调整输入层节点与隐含层节点的链接权重w_ij和隐含层节点与输出层节点之间的链接权重v_jk，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的权值和阀值[1]。经过训练的神经网络能对类似样本的输入量，自行处理输出误差最小的经过非线性转换的输出量。

2 构建数字参考咨询服务评价指标体系

根据数字参考咨询服务以用户为中心的原则，参照目前国外流行的SERVQUAL评价体系、LibQUAL+体系以及VDR数字参考咨询服务质量指标体系，结合国内已有的数字参考咨询服务评价指标体系的研究[2-5]，建立一个评价数字参考咨询服务的指标体系，从数字参考源、技术平台、参考服务、咨询队伍、用户满意度5个角度来划分，再分别根据其特征进行指标的细分。如表1所示。

3 建立基于BP神经网络的数字参考咨询服务评价模型

神经网络可以根据已有的训练数据自动归纳规则，获得数据的内在规律，与其他对数字参考咨询服务评价的方法相比，它避免了人为计取权重和相关系数时人为因素的干扰，使评价结果更为客观[6]。另外，它还具有自适应、自组织等优点，善于对不确定的信息进行推理，具有相当的容错能力，这些都非常符合数字参考咨询服务评价指标体系的特征。本文采用目前应用最为广泛的BP神经网络来构造数字参考咨询服务的评价模型。

3.1 评价指标标准化

由表1可以看出，评价指标中有诸如数字参考源总量的定量指标，还有大量的定性指标，如数字参考源的稳定性。为了使这些指标具有可比性，我们需要对这些指标进行标准化处理。定量指标可采用数学方法进行规范化处理和同趋化处理，定性指标的值可通过专家打分法来确定[7]。

3.2 设计BP神经网络模型

3.2.1 确定BP网络的层数

Kolmogrov理论证明，若网络的中间层节点数可任意选择，那么用含有Sigmoid神经元的三层网络可以任意精度逼近任何连续函数。经验也表明，在设计多层前馈网时，一般先考虑设一个隐含层，当一个隐含层的节点数很多仍不能改善网络性能时，才考虑再增加一个隐含层。因此本文选取三层结构来建立BP神经网络评价模型。

3.2.2 确定输入层节点数、输出层节点数

输入层节点的数量设定为经过标准化处理的数字参考咨询服务评价的二级指标的总量，根据表1所示，输入层节点数确定为53个。模型建立的最终目标是对数字参考咨询服务进行综合评价，因此将输出层设定为1个节点。

3.2.3 确定BP网络隐含层节点数

对于BP神经网络来说，隐含层节点的确定是成败的关键。然而到目前为止，对隐含层节点数的确定尚无定论，但其遵守一个原则:在能正确反映输入输出关系的基础上，应选用较少的隐层节点数，以使网络结构尽量简单。本论文根据数字参考咨询服务评价体系的划分情况，确定隐含层节点数为一级指标的数量，为15个。

由此，可以建立数字参考咨询服务评价的BP神经网络模型，如图2所示。

3.3 网络训练

根据表1所示数字参考咨询服务评价指标体系，选取优秀图书馆的数字参考服务为训练样本，获得其各项指标值，并进行标准化处理，输入上述模型。模型中初始权重的选择可以采用在[-1，1]间生成的随机数。依照BP神经网络的原理进行样本训练，训练完毕后可以确定各层神经元间的权重。经过训练后的模型，就可以处理其他类似样本了，实现对数字参考咨询服务的综合评价。

4 结束语

采用BP神经网络进行数字参考咨询服务评价，能够透过权重观察到评价指标对总体服务质量的不同影响程度，可以有针对性地改进服务质量。通过模型得出的数字参考咨询服务的综合评价结果，更加客观真实地反映了数字参考咨询服务的质量情况，为新时期图书馆整体服务质量的评估提供了客观依据。

参考文献

[1]丛爽.面向MATLAB工具箱的神经网络理论与应用[M].合肥:中国科学技术大学出版社，2003.

[2]Gray，Suzanne M.Virtual reference services directions and agendas[J].Reference&User 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]吴登生.AHPTOPSIS在数字参考咨询服务评价中的应用[J].现代图书情报技术，2006，(4):37-40，48.

[5]郭晶.数字参考服务质量评估体系建立初探[J].上海交通大学学报，2003，(增刊).

[6]鞠建伟，梁花侠.高校图书馆服务用户满意度的BP神经网络模型的建立[J].情报杂志，2004，(8):103-104，109.

[7]李学萍，冯凯.基于神经网络的图书馆服务用户满意度评价体系[J].情报杂志，2006，(3):87-88.