GRNN在图书馆电子资料借阅服务评价中的应用

孙达辰，金松根，周广群

（牡丹江医学院 图书馆，黑龙江 牡丹江 157011）

随着图书馆电子资料与日俱增，电子资料越来越成为广大用户不可缺少的服务内容，而且需求量不断增加。如何不断提高图书馆电子资料借阅服务的质量，为这种服务建立一个科学可靠的服务质量评价模型，是文中研究的内容。依靠人工问卷调查方式进行服务质量评价，费时费力，工作量大，且不可避免地存在误差。文中在研究本馆电子资料借阅服务情况的基础上，对代表这种服务质量的要素进行量化，构造了基于GRNN神经网络的图书馆电子资料借阅服务评价模型。

1 图书馆电子资料借阅服务要素及其量化

图书馆电子资料借阅服务要素主要包括馆员的服务态度、服务效率和电子资料本身的质量3个方面，这3个方面相促进与限制，具体细化为以下内容：1）服务态度包括耐心与细心程度两项；2）服务效率包括目标电子资料的查找效率及相关电子资料的推荐两项；3）电子资料本身的质量包括同一电子资料的数量、数据类型，电子资料种类与数量。其中，电子资料本身的质量是服务能力的最终体现，起到了很大的作用，在量化的时候占的分值要高一些。

2 GRNN神经网络的工作原理

神经网络也称为人工神经网络（Artifical Neural Network，ANN），起源于对生理学和神经学中有关神经细胞计算本质的模拟和演化的研究工作。就是一组相互连接的输入输出单元（人工神经元），这些单元之间的每个连接都关联一个权重值。

人工神经元相当于一个多输入单输出的非线性阈值器件，如图1所示。

图1 人工神经元Fig.1 Artifical neural

这里的 X1，X2，…，Xn表示它的 N 个输入；W1，W2，…，Wn表示与它相连的n个连接强度，其值称为权值；∑Wi×Xi称为激活值，表示这个人工神经元的输入总和，o表示这个人工神经元的输出；θ表示这个人工神经元的阈值。如果输入信号的加权和超过θ，则人工神经元被激活。这样，人工神经元的输出可描述为： o=f（∑Wi×Xi-θ）。

对于建立后的神经网络，通过调整权重值来实现输入样本与其相应类别的对应，这一过程主要是针对网络内部各个连接权重值的调整，而这一过程就是神经网络的学习过程，也是网络的训练过程。这一过程，使得神经网络能以一种新的方式对外部环境做出反应，使网络能从外部环境中学习和在学习提高自身的性能，这是神经网络最有意义的性质。

神经网络不同的连接方式形成了不同网络结构，由于产生了不同的网络性能；不同的网络结构相应地需要不同的学习算法，也就是学习过程会有差别。学习算法是指针对学习问题的规则的集合，不同的学习算法对神经元连接的调整表达式也有所不同。

模仿人的学习过程，神经网络的有两种学习过程，可以相应地分为两种对应的神经网络学习模型，即有导师学习网络、无导师学习网络。有导师学习网络是在有指导和考察的情况下进行的，如果学完了没有达到目标要求，则还要继续学习。无导师学习是靠学习或者说神经网络本身自行完成。无导师学习包括强化学习与无监督学习或自组织学习，在强化学习中，对于输入输出映射的学习通过与外界环境的连续作用最小化性能的标量索引来完成的。在无监督学习中没有外界部导师或评价监测学习过程，只是提供一个关于网络学习表示方法质量的测量尺度，依据这个尺度将网络的可变参数进行最优化。

神经网络的优点就是对噪声数据具有较好的适应能力，并且对未知数据也具有较好的预测与分类能力，同时神经网络本身具有较好的并行性[1]。

径向基神经网络包括两层神经元，第一层是由S1个径向基神经元组成的隐层，第二层是由S2个线性神经元组成的输出层。其网络结构如图2所示。

径向基神经元具有多种不同的传递函数，最常用的是高斯函数。径向基神经元传递函数的输入是权值向量和输入向量之间的向量距离与偏差b的乘积。径向基神经元的模型如图3所示，图中||dist||表示的是权值与输入向量的点积。

图2 径向基神经网络结构Fig.2 Regularization network

广义回归神经网络 （Generalregression Neuml Network，GRNN）具有训练过程不需迭代、人为调节的参数值只有一个阈值、学习速度较快等优点，获得了较广泛的应运[2]。GRNN神经网络是由一个径向基层与一个特殊线性层构成的神经网络，通常被用来做函数逼近[3]。GRNN神经网络的模型如图2所示。

图3 径向基网络神经元Fig.3 Reglarization neural

图4 广义回归神经网络Fig.4 Geneml reg1arization neural network

广义回归神经网络在逼近能力、分类能力和学习速率上较BP网络和RBF网络有着较强的优势，网络最后收敛于样本量集聚较多的优化回归面，并且在样本数据缺乏时，效果也较好，另外，该网络还可以处理不稳定的数据[1]，所以，文中使用广义回归神经网络为图书馆电子资料借阅服务评价系统建立评价模型。

3 模型的构建

文中以2009年3月份到2011年7月份每月份的图书馆电子资料借阅服务的服务质量问卷调查数据为原始数据，并依据文中的分析进行量化，得到最终所需要的试验数据，部分数据及其对应服务质量等级的如表1所示，其中服务质量等级中：不合格为 0～0.59，合格为 0.60～0.69，良好为 0.70～0.79，优秀为 0.80～1.00。

共有25个数据，每个数据包括耐心程度、细心程度、目标电子资料的查找效率、相关电子资料的推荐情况、同一电子资料的数量、数据类型和电子资料种类与数量7个属性。这25个数据中前21个数据为训练样本，后4个数据为检验样本。

3.1 网络模型的构建

由于每个数据包括耐心程度、细心程度、目标电子资料的查找效率、相关电子资料的推荐情况、同一电子资料的数量、数据类型和电子资料种类与数量7个属性，所以输入样本为具有7个属性的向量；输出层结点对现实中的服务质量等级，所以目标样本是具有一个属性的样本。还有一个重要的参数需要设置，这个参数为光滑因子，它对网络性能具有较大影响，目前只能采取尝试的方法才能获得最佳的值。

3.2 网络模型的训练

本网络模型在Matlab2008a环境中进行构建，依据前面的分析构建网络的代码为：

P为输入样本数据，它是具有7个属性的向量；T为目标样本数据，它具有一个属性；i为光滑因子，在同样的样本集上，通过调整这个光滑因子，来比较本网络的效果，通过不断的调整来达到最佳的运行效果。

3.3 网络模型的检验

将4个检验数据对已经训练好的网络模型进行检验，再把所得的结果与服务质量等级对比，通过多次比较，当光滑因子i为0.1时，网络的效果最为理想。

表1 服务质量量化表Tab.1 Quantization table of service quality

4 结束语

文中以图书馆电子资料借阅服务的服务质量问卷调查数据为原始数据，依据GRNN神经网络自身的特点，构建了基于GRNN神经网络的图书馆电子资料借阅服务评价模型，对量化后的数据进行计算，得到了良好的结果，这证明本评价模型可以在实际中使用。

[1]张德丰.MATLAB神经网络应用设计[M].北京：机械工业出版社，2009.

[2]黄崇珍，梁静国.基于GRNN的海上钻井平台建造质量预测研究[J].哈尔滨工程大学学报，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]朱凯，王正林.精通MATLAB神经网络[M].北京：电子工业出版社，2010.

[4]刘世平.数据挖掘技术及应用[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]徐丽娜.神经网络控制[M].北京：人民交通出版社，2002.