摘 要：在ACSI的基礎(chǔ)上建立了讀者滿意度指標體系，通過調(diào)查問卷的方式對某高職院校圖書館的讀者滿意度進行了調(diào)研，在對問卷的分析處理的基礎(chǔ)上建立了基于BP神經(jīng)網(wǎng)絡(luò)的高職院校圖書館讀者滿意度評價模型，并用R語言對樣本數(shù)據(jù)進行學(xué)習(xí)和訓(xùn)練，為高職院校讀者滿意度測評提供了一種較為有效和實用的方法。

關(guān)鍵詞：讀者滿意度 BP神經(jīng)網(wǎng)絡(luò) R語言

中圖分類號：G258 文獻標識碼：A 文章編號：1003-9082 （2017） 04-0023-02

高職院校圖書館要承擔高職院校教學(xué)、科研和向廣大師生提供信息服務(wù)的重任。圖書館提供服務(wù)的質(zhì)量的優(yōu)劣程度會直接影響到職業(yè)教育的效果。評價服務(wù)質(zhì)量的方法之一就是建立一套完善的圖書館讀者滿意度測評體系。所謂的讀者滿意度就是讀者通過使用圖書館得意實現(xiàn)閱讀欲望和獲取知識信息的完善程度?？蛻舻臐M意度來源于客戶的評價，但這一的評價無法直接進行觀測或計量。文獻[1]指出，美國學(xué)者Danuta Nitecki 最先將SERVQUAL應(yīng)用到圖書館的服務(wù)質(zhì)量評價研究。文獻[2-4]將結(jié)構(gòu)方程模型的方法應(yīng)用到圖書館讀者滿意度是測評當中，并在客戶滿意度指數(shù)模型的基礎(chǔ)上提出了圖書館讀者滿意度指數(shù)。文獻[5]在建立BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上分析了超市顧客滿意度和各個結(jié)構(gòu)變量之間的關(guān)系，得出了影響滿意度的各指標因素的排序。本文參考ACSI的評價指標體系并結(jié)合高職院校的特點，提出了基于BP神經(jīng)網(wǎng)絡(luò)的高職院校圖書館讀者滿意度測評模型。通過某高職院校圖書館的調(diào)研數(shù)據(jù)驗證了模型的有效性和實用性。

一、原理與方法

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，其學(xué)習(xí)算法是學(xué)習(xí)規(guī)則（誤差校正學(xué)習(xí)算法），算法的特征是利用輸出后的誤差來估計輸出層的直接前導(dǎo)層的誤差，再用這個誤差估計更前一層的誤差，如此一層一層的反向傳播下去，就獲得了所有其他各層的誤差估計[6]。這里我們以典型的三層BP網(wǎng)絡(luò)為例，如圖1所示的是一個有三個輸入點，4個隱層節(jié)點和一個輸出節(jié)點的一個三層BP神經(jīng)網(wǎng)絡(luò)。

正向傳播時，輸入信號經(jīng)過隱層的處理后，傳向輸出層。若輸出層節(jié)點未能得到期望的輸出，則轉(zhuǎn)入誤差的逆向傳播階段，將輸出誤差按某種子形式通過隱層向輸入層返回，并分給隱層的4個節(jié)點和輸入層的三個輸入節(jié)點，從而獲得各層單元的參考誤差，作為修改各單元權(quán)值的依據(jù)。當然，最開始的權(quán)值是隨機給予的-1到1的隨機數(shù)。通過權(quán)值的不斷修改，誤差逐漸減少到可以接受的范圍或者達到了設(shè)定的訓(xùn)練（運行）次數(shù)為止。

二、實證分析

1.評價指標

要科學(xué)地對讀者滿意度進行測評，必須有一套適合高職院校圖書館的評價指標體系。本文根據(jù)文獻[3]的模型，共設(shè)置滿意度評價指標11個：A館藏資源（圖書種類A1、圖書總量A2、期刊種類A3）；B圖書館服務(wù)（流通服務(wù)B1、資料查找B2、閱覽座位B3）；C圖書館環(huán)境（資源部局C1、環(huán)境舒適性C2、開放時間C3）；D工作人員（服務(wù)態(tài)度D1、服務(wù)效率D2）。因變量指標為：E總體滿意度（總體滿意度E1，與期望相比E2，圖書館對個人發(fā)展的影響E3）

2.建立模型

設(shè)置滿意度評價指標是11個，即輸入節(jié)點數(shù)為11個。輸出層的輸出結(jié)果為讀者滿意度所處的等級，分為非常滿意、滿意、一般滿意、不滿意、非常不滿意五個等級，結(jié)果比為其中之一，所以輸出層節(jié)點數(shù)為1個。對于隱層節(jié)點數(shù)的選擇，目前沒有一個標準的確定方法，通常按照如下經(jīng)驗公式來確定

其中，為輸入層節(jié)點數(shù)，為輸出層節(jié)點數(shù)，為1到10之間的常數(shù)。通過多次的比較，我們選取的隱層節(jié)點數(shù)為12個。

3.數(shù)據(jù)采集與分析

本次研究通過發(fā)放紙質(zhì)問卷的形式對在校學(xué)生進行調(diào)查。共發(fā)放100份問卷，有效回收100份，有效率100%。得出數(shù)據(jù)樣本后，我們將原始數(shù)據(jù)樣本（專家樣本）隨機選取80%作為訓(xùn)練樣本，剩下的20%作為測試樣本。分析語言為R語言3.3.2版本，分析工具為開源免費的RStudio1.0.44。在R語言中，BP神經(jīng)網(wǎng)絡(luò)作為一種常用的分類預(yù)測算法之一是通過nnet程序包中的nnet（）函數(shù)來實現(xiàn)的。

3.1 數(shù)據(jù)劃分

對專家樣本隨機選取20%作為測試樣本，剩下的80%作為訓(xùn)練樣本。

3.2 神經(jīng)網(wǎng)絡(luò)

訓(xùn)練樣本建模的混淆矩陣如表1所示，分類準確率為96.2%，將一次真實值為“一般滿意”判斷為“滿意”；兩次“不滿意”判斷為“一般滿意”。構(gòu)建神經(jīng)網(wǎng)絡(luò)模型的代碼見附錄代碼清單2。測試樣本建模的混淆矩陣如表2所示，分類準確率為75%。出現(xiàn)五次誤判：將兩次真實值為“滿意”判斷為“非常滿意”；將一次真實值為“一般滿意”預(yù)測為“滿意”；一次將真實值為“滿意”預(yù)測為“一般滿意”；一次將真實值為“一般滿意”預(yù)測為“不滿意”。

三、結(jié)論

以上數(shù)據(jù)，均通過R3.3.2計算得到。對于訓(xùn)練樣本，如上的模型分類準確率達到90%以上，對于測試樣本的分類準確率達到了80%。用BP神經(jīng)網(wǎng)絡(luò)算法進行分類評標決策能夠很好地處理問題，較為準確的得出預(yù)測結(jié)果，不但能充分發(fā)揮專家的作用，也能夠盡量地避免個人主觀猜測所帶來的錯誤結(jié)果。

參考文獻

[1]于直良，谷松，趙靜.SERVQUAL與圖書館服務(wù)質(zhì)量評估：十年研究述評[J].大學(xué)圖書館學(xué)報，2005（1）：51-57.

[2]AnneMartensen，LarsGronholdt.ImprovingLibraryUsersPerceivedQuality，SatisfactionandLoyyalty：AnIntegratedMeasuurementandManagementSystem[J].TheJournalofAcademicLibrarianship，2003，29（3）：140-147.

[3]譚楊.基于結(jié)構(gòu)方程模型的圖書館讀者滿意度模型實證研究[J].貴陽學(xué)院學(xué)報（自然科學(xué)版），2014，9（2）：13-17.

[4]林盛，劉金蘭.基于PLS-結(jié)構(gòu)方程的顧客滿意度評價方法[J].系統(tǒng)工程學(xué)報，2005，20（6）：653-656.

[5]溫阿莉，周黎.基于BP神經(jīng)網(wǎng)絡(luò)的超市顧客滿意度研究[J].商場現(xiàn)代化，2009，567：115-116.

[6]張良均，云偉標，王路等.R語言數(shù)據(jù)分析與挖掘?qū)崙?zhàn)[M].機械工業(yè)出版社，2016，79-83.