基于LSTM神经网络的馆际互借量预测研究

汪 晴

(南京航空航天大学 图书馆，江苏 南京 211106)

0 引言

一校多址给高校图书馆的典藏管理带来巨大挑战。随着多校区图书馆分馆的产生，图书买几本，放哪里，怎么分配成了典藏的重要问题。本文以南航图书馆委托数据(即各分馆互借数据)为基础，对比采用神经网络算法建模，研究分馆典藏的智能预测和动态调整。

1 研究现状

馆际互借不仅仅是一校之内的研究课题。CCD(协同馆藏开发)活动为国外高校图书馆整体带来了巨大的经济效益，但服务质量和成本待进一步提升。

在跨馆典藏研究方面，杨静[1]提出校区互借服务应从以图书馆为导向朝以读者为导向转变。Walters[2]调研曼哈顿学院师生对图书的选择，指出学生群体的选择不可预测，与其个人特征相关性更为隐蔽。因此，人工方式预测有局限性，无法挖掘深层需求和感知需求变化，必须建立与时序相关的可靠模型来预测委托量趋势变化。田梅[3]采用支持向量机作为建模工具，但没有考虑除时间之外的因素对借阅的影响；尹志强[4]基于数据挖掘预测模型，引入混沌理论提升性能；王红等[5]采用聚类等技术探索读者与流通之间隐含规律；陈添源[6]基于学科细分读者群体和图书分类两个方面，通过APRIORI关联算法分析建模；张囡等[7]采用灰色神经网络算法，但对较长时间借阅量季节性变化预测的缺陷很明显。因此，本文从长时间、高精度预测要求出发，考虑委托书名、时间等有效信息对预测合理性和准确度的影响，选择LSTM神经网络算法来建模分析。

2 LSTM神经网络建模

2.1 LSTM神经网络

长短期记忆网络(Long Short Term Memory，LSTM)是一种时间递归神经网络，在学科主题热度预测[8]和中文专利关键词抽取[9]等图情领域应用，取得了很好的预测效果和准确率。通过在单元结构中引入门函数，LSTM可以很好地处理长期依赖性问题。

输入门it：计算当前计算的新状态已多大的程度更新到记忆单元，结果是向量，取值0～1，控制各维度流过阀门的信息量：

it=σ(Wixt+Uiht-1+bi)

(1)

遗忘门ft：控制前一步记忆单元的信息有多大程度被遗忘：

ft=σ(Wfxt+Ufht-1+bf)

(2)

输出门ot：控制当前的输出有多大程度取决于当前的记忆单元：

ot=σ(Woxt+Uoht-1+bo)

(3)

一个内部记忆单元ct:

(4)

(5)

最终，输出ht的计算公式是：

ht=ot⊙tanh(ct)

(6)

以遗忘门为例，根据上一轮的输入热度hi-1和本轮的输入xt，来计算当前的单元状态，Wf为遗忘门权重矩阵，bf为遗忘门偏差向量。输入门、输出门和遗忘门的计算方式类似。通过这3个门，LSTM不仅体现了单元之间外部循环的关系，而且体现了单元内部的自循环过程，所以更容易学习到图书、图书分类、图书委托量在时间序列上的变化关系。

2.2 预测模型构建

根据南航图书馆委托大数据的分析，设计模型如下。

输入数据：图书索书号、图书名称分词、图书分类、来源馆藏、目标馆藏、时间(学年或学期)；

输出数据：委托量。

该模型训练完成后即可用于对下个周期(学年或学期等)的图书资源进行预测，用于指导全局馆藏调度的执行方案。首先对历史委托数据进行预处理，然后使用Tensorflow/Keras框架建立LSTM神经网络。下面简单示意构建LSTM神经网络的代码：

import tensorflow as tf

model = tf.keras.Sequential([

tf.keras.layers.Embedding(vocab_size, 64, input_length = maxword),

tf.keras.layers.LSTM(128, return_sequences=True),

tf.keras.layers.Dropout(0.2),

tf.keras.layers.LSTM(64, return_sequences=True),

tf.keras.layers.Dropout(0.2),

tf.keras.layers.LSTM(32),

tf.keras.layers.Dropout(0.2),

tf.keras.layers.Dense(1, activation='sigmoid'),

])

tf.keras.utils.plot_model(model, to_file='lstm_model.png', show_dtype=True, show_shapes=True)

2.3 委托量数据预处理

基于以上模型，首先对历史数据进行预处理，从数据库中获取的原始数据示例如表1所示。

表1 委托借阅原始数据示例

2.3.1 书名分词

书名往往包含所属领域等特征，可能会体现出这些书籍和委托量、委托周期的关系，例如每年下半学期在将军路校区开马克思主义哲学选修课，就会产生一定的委托量。因此，本文对书名进行分词，如《时代精神的精华：马克思主义哲学原著导读》分词为[马克思主义,哲学…]，转化为特征向量，和委托量、委托周期相关联，进行训练。采用结巴分词的代码示例如下：

import jieba

title = "时代精神的精华：马克思主义哲学原著导读"

seg = jieba.cut(title)

print(",".join(seg))

# 时代精神,的,精华,：,马克思主义,哲学,原著,导读

2.3.2 编码

上述数据中有些字段例如委托地、被委托地等，并非连续值，而是分类值，因此需要用数字来表示这些非连续的分类信息。本文采用ONE-HOT编码，即：使用1位有效编码来表达特征中的一个维度。ONE-HOT编码示例：

from sklearn.preprocessing import OneHotEncoder

enc = OneHotEncoder(handle_unknown='ignore')

# 馆藏委托地特征，第一项是委托地，第二项是被委托地

feature = [['明故宫二楼夹层库', '将军路'], ['将军路密集书库(一楼)', '明故宫社会科学阅览室(外借图书)'], ['将军路密集书库(一楼)', '明故宫二楼夹层库']]

enc.fit(feature)

transform = enc.transform([['将军路密集书库(一楼)', '将军路']]).toarray()

print(transform) # [[1. 0. 1. 0. 0.]]

2.3.3 归一化

编码对于分类有限的字段，例如委托地，能够使用数字表达；但是对于书名分词，特征维度较多，数据量较大，因此采用如下特征归一化的方法进行处理：

x′=-1+(x-MIN)×2/(MAX-MIN)

(7)

即把[MIN, MAX]区间的数据线性映射到[-1, 1]。

综上所述，对原始数据需要进行如下预处理：图书ID、(来源馆藏、目标馆藏)：采用OneHot编码并归一化；图书名称、图书分类：先使用jieba分词，然后采用LabelEncoder编码并归一化；委托时间：采用增量值表达，例如如果按学期划分，2017年上半学年为0,2017年下半学年为1,2018年上半学年为2,以此类推。

2.4 馆藏自动调整服务

有了算法模型后，就需构建一个自动化训练系统，降低人工干预，提升自动化率。如图1所示，本文通过crontab定时任务设定馆藏优化的分析周期，定期触发分析任务，采集上个周期的委托数据并预处理，然后和历史数据一起组成训练数据集；分析任务触发模型训练任务，输出新的算法模型，并给出测试集上预测数据，输出给人工审核，对模型参数进行调整。

图1 馆藏自动调整服务流程

2.5 实验验证

2.5.1 评价指标

综合应用场景和评价指标的含义，本文使用RMSE的方式来评价预测的好坏。RMSE就是MSE的平方根，作用是统一数量级单位。RMSE均方根误差(Root Mean Square Error)：

(8)

范围[0,+∞)，值越大表示误差越大。等于0表示预测值与真实值完全吻合，即完美模型。

2.5.2 实验结果

本文选取2017—2020年的图书馆委托记录数据进行实验，共计95 024条，每周作为一个时间段，根据75%,25%的比例随机分配训练集和测试集，使用TensorFlow框架构建LSTM模型，通过预训练效果设定如下参数：

epochs = 100

batch_size = 300

loss = tf.keras.metrics.mean_squared_error

metrics = [tf.keras.metrics.RootMeanSquaredError(name='rmse')]

optimizer = 'rmsprop'

选取线性支持向量机(Linear-SVN)、K近邻算法(KNN)对比，各模型预测效果如图2所示。

图2 各预测模型的根均方误差

从RMSE误差来看，Linear-SVM，KNN和LSTM都具有较好的准确度，但是随着时间序列的变化，LSTM的误差出现上下波动，甚至增加。由此可见，相对于其他模型无序拟合每一个变量达到最优，LSTM对时间序列更加敏感。因为时间序列的长度不同，所以准确度会发生变化。当时间序列长度为4时，RMSE达到最小值，LSTM模型效果最好。综上可见，基于LSTM的图书馆委托量预测模型，误差最小，预测效果最佳。

3 结语

本文通过对比使用LSTM神经网络算法，在原有委托量大数据的基础上，自动学习分析委托量需要调整的地方，并提示动态调整需求。实施效果显示大大减少了委托量，减少了馆员的工作量，提升了读者满意度。本研究可以进一步对模型进行优化，提升预测准确度，扩大到借阅量预测，对新书典藏分布提供有效建议。