俞鵬

【摘要】智能圍棋軟件Alpha-go與圍棋九段李世石的人機(jī)大戰(zhàn)將人工智能帶入我們的視野，為圖書館大數(shù)據(jù)挖掘、大數(shù)據(jù)分析、圖書物聯(lián)網(wǎng)提供了新的解決方案，未來圖書館服務(wù)的提供將從人力向人力與計(jì)算機(jī)分工合作的方向發(fā)展，在保證服務(wù)數(shù)量的同時(shí)提高服務(wù)準(zhǔn)度和精度。

【關(guān)鍵詞】alphago；人工智能；大數(shù)據(jù)；數(shù)據(jù)挖掘；數(shù)據(jù)分析；智能算法

【中圖分類號(hào)】G251 【文獻(xiàn)標(biāo)識(shí)碼】A

2016年3月的一場(chǎng)人機(jī)世紀(jì)之戰(zhàn)，將Alpha-go這個(gè)名字帶入到世人的眼中，也將人工智能的火熱程度推向了一個(gè)新的高度，深度學(xué)習(xí)網(wǎng)絡(luò)（CNN）、蒙特卡羅搜索樹（MCTS）這些計(jì)算機(jī)領(lǐng)域的專業(yè)技術(shù)進(jìn)入了圖書館人的視野，為圖書館智能化服務(wù)發(fā)展提供了一條可行的道路。

一、圖書館大數(shù)據(jù)發(fā)展現(xiàn)狀及不足

圖書館目前的大數(shù)據(jù)工作主要集中在兩個(gè)層面：收集層面和應(yīng)用層面。收集層面有以下3個(gè)方面：一是依賴圖書管理系統(tǒng)的讀者基本信息的數(shù)據(jù)收集；二是依賴圖書管理系統(tǒng)的讀者行為記錄的收集；三是依賴網(wǎng)站、微信、APP的讀者行為記錄的收集；四是文獻(xiàn)資源的數(shù)字化。應(yīng)用層面有兩個(gè)方面：一是依賴圖書管理系統(tǒng)的數(shù)據(jù)統(tǒng)計(jì)和分析；二是由讀者實(shí)時(shí)流量、圖書借閱排行榜、借閱分類排行榜、周期統(tǒng)計(jì)等數(shù)據(jù)組成的數(shù)據(jù)大屏等。

就目前圖書館大數(shù)據(jù)發(fā)展的狀況而言存在以下三個(gè)不足：

（一）讀者基本信息的數(shù)據(jù)收集不足

以匯文系統(tǒng)讀者注冊(cè)為例（如圖1所示），讀者信息包括姓名、性別、身份證號(hào)、職業(yè)、職稱、專業(yè)、電話、移動(dòng)電話等，系統(tǒng)所規(guī)定的基本信息已經(jīng)很完整。但關(guān)鍵在于很多圖書館在讀者注冊(cè)時(shí)沒有將信息填寫完整，一般只填姓名、身份證號(hào)、移動(dòng)電話等，有的連性別、職業(yè)都沒有填寫。這樣就造成了圖書館擁有大量的讀者，可沒有足夠的讀者信息，無法對(duì)讀者進(jìn)行聚類分析和關(guān)聯(lián)度挖掘。

（二）讀者行為信息的數(shù)據(jù)收集不足

目前大部分圖書館對(duì)讀者行為信息的收集還主要是收集讀者的借閱行為信息。但是有很多更為重要的行為信息被資源供應(yīng)商掌握在手中，如什么讀者在什么時(shí)間下載過什么論文、閱讀過哪些繪本、觀看過哪些視頻，這些行為數(shù)據(jù)全部掌握在資源商的手中。同時(shí)，隨著科技的發(fā)展，新技術(shù)為我們提供了更多的行為信息收集手段來，如讀者在哪類書架前停留了多長(zhǎng)時(shí)間、讀者在OPAC里搜索過什么詞條等等。因?yàn)闆]有足夠的行為信息，我們對(duì)讀者的借閱行為還原度不足，分析素材不全。

（三）資源的數(shù)據(jù)標(biāo)引不足

在這里我說的數(shù)據(jù)不足主要有三點(diǎn)：一是MARC數(shù)據(jù)的標(biāo)引在數(shù)據(jù)分析領(lǐng)域的應(yīng)用缺陷。這么多年來，我們圖書館一直在很注重紙質(zhì)圖書的書目數(shù)據(jù)，每個(gè)圖書館都形成了一大批MARC數(shù)據(jù)，但對(duì)于書的內(nèi)容，我們只是按照中圖法進(jìn)行了分類，但同類書中內(nèi)容的好與壞、內(nèi)容的涉及面以及面對(duì)不同讀者產(chǎn)生的閱讀觀感都是不同的，所以現(xiàn)有MARC數(shù)據(jù)沒有辦法對(duì)很好的滿足在閱讀分析時(shí)的一個(gè)圖書定位分析需求；二是電子資源的數(shù)據(jù)標(biāo)引不足?，F(xiàn)在讀者的需求不僅僅局限在圖書、期刊、報(bào)紙，網(wǎng)頁、視頻、圖片等資源也進(jìn)入到了讀者需求的范圍，但對(duì)于這方面的電子資源數(shù)據(jù)標(biāo)引很多的圖書館還是一片空白；三是不同資源類型之間的數(shù)據(jù)挖掘不足，沒有很好地建立一個(gè)數(shù)據(jù)體系架構(gòu)，沒有辦法提供給圖書館工作人員進(jìn)行數(shù)據(jù)分析。

（四）圖書館數(shù)據(jù)的智能分析方法不足

這么多年來，我們一直在說讀者借閱行為分析、借閱行為預(yù)測(cè)、閱讀傾向分析、閱讀傾向預(yù)測(cè)，但我們的數(shù)據(jù)分析大多還只停留在統(tǒng)計(jì)分析層面，只是拿出數(shù)據(jù)進(jìn)行對(duì)比、類比、環(huán)比，這只是分析的一個(gè)初級(jí)階段或者是統(tǒng)計(jì)階段，預(yù)測(cè)一下來館人流量的走向、排一下借閱排行榜等，最大的問題在于我們沒有引入當(dāng)下比較行之有效的智能算法，還沒有一套完整的圖書館數(shù)據(jù)分析評(píng)價(jià)體系。

二、Alpha-go工作原理

從圖2中，我們不難看出Alpha-god其實(shí)包含兩個(gè)階段：一是線下學(xué)習(xí)，二是在線對(duì)弈。

線下學(xué)習(xí)又分三個(gè)階段：一是通過專業(yè)棋手的3萬多幅對(duì)局棋譜的全局特征和深度卷積網(wǎng)絡(luò)來訓(xùn)練策略網(wǎng)絡(luò)，用局部特征和線性模型快速走棋策略網(wǎng)絡(luò)；二是利用第t輪的策略網(wǎng)絡(luò)與先前訓(xùn)練好的策略網(wǎng)絡(luò)互相對(duì)弈，利用增強(qiáng)式學(xué)習(xí)來修正第t輪的策略網(wǎng)絡(luò)的參數(shù)，最終得到增強(qiáng)的策略網(wǎng)絡(luò)；三是先利用普通的策略網(wǎng)絡(luò)來生成棋局的前U-1步，然后利用隨機(jī)采樣來決定第U步的位置（這是為了增加棋的多樣性，防止過擬合）。隨后，利用增強(qiáng)的策略網(wǎng)絡(luò)來完成后面的自我對(duì)弈過程，直至棋局結(jié)束分出勝負(fù)。此后，第U步的盤面作為特征輸入，勝負(fù)作為label，學(xué)習(xí)一個(gè)價(jià)值網(wǎng)絡(luò)（Value Network），用于判斷結(jié)果的輸贏概率[1]。

在線對(duì)弈包含五個(gè)步驟：深度神經(jīng)網(wǎng)絡(luò)引入到蒙特卡羅搜索樹（MCTS）中，以壓縮搜索范圍。一是根據(jù)當(dāng)前盤面情況提取相應(yīng)特征；二是利用策略網(wǎng)絡(luò)估計(jì)出棋盤其他空地的落子概率；三是根據(jù)落子概率來計(jì)算此處往下發(fā)展的權(quán)重；四是利用價(jià)值網(wǎng)絡(luò)和快速走棋網(wǎng)絡(luò)分別判斷局勢(shì)，兩個(gè)局勢(shì)得分相加為此處最后走棋獲勝的得分。五是利用第四步計(jì)算的得分來更新之前那個(gè)走棋位置的權(quán)重，當(dāng)某節(jié)點(diǎn)的被訪問次數(shù)超過了閾值，則在蒙特卡羅樹上進(jìn)一步展開下一級(jí)別的搜索。

三、圖書館大數(shù)據(jù)服務(wù)模型

從上面的Alpha-go的原理與圖書館大數(shù)據(jù)服務(wù)模式相比還是有很大的區(qū)別的：

（一）規(guī)則體系明確程度不同

圍棋有明確的規(guī)則體系，這個(gè)規(guī)則體系讓電腦在走每一步棋之前可以有一個(gè)具體的預(yù)判。而圖書館數(shù)據(jù)分析沒有明確的規(guī)劃體系，書、報(bào)、視頻等資源在被讀者獲取前沒有明確預(yù)判。但相反，電腦判斷每一步棋的真實(shí)好壞要在很多步之后，而資源在到達(dá)讀者手上之后便可立即評(píng)判這個(gè)資源是不是符合讀者要求。

（二）預(yù)測(cè)方向復(fù)雜程度不同

圍棋一共有361個(gè)點(diǎn)，則圍棋下一步可能性的極限值是361個(gè)，而資源單從分類來說，以圖書分類來說就遠(yuǎn)遠(yuǎn)高出這361種可能性；另外，可能性的層級(jí)不同，圍棋每一步只有361種可能性，但資源借閱就比這個(gè)更復(fù)雜。以書為例，除了不同分類的可能性，還有相同類下不同作者的可能性以及相同作者不同書的可能性等等。

（三）外延支撐不相同

Alpha-go的外延支撐相對(duì)簡(jiǎn)單，專業(yè)棋手的3萬多幅對(duì)局棋譜，但對(duì)于圖書館的大數(shù)據(jù)服務(wù)模型來說，除了對(duì)讀者行為數(shù)據(jù)要進(jìn)行線下學(xué)習(xí)外，還要針對(duì)讀者信息數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘建立讀者關(guān)聯(lián)模型，針對(duì)資源建立大數(shù)據(jù)資源描述模型，這三個(gè)模式要相互適應(yīng)。

讀者基本信息的數(shù)據(jù)收集不足。綜上可見，我們可以借用Alpha-go的原理，但要對(duì)Alpha-go進(jìn)行模型改造，首先要解決先天的不足。

讀者基本信息的數(shù)據(jù)收集不足。這個(gè)不足其實(shí)很簡(jiǎn)單，建設(shè)統(tǒng)一認(rèn)證系統(tǒng)的同時(shí)與市民卡中心或者移動(dòng)公司合作，通過第三方機(jī)構(gòu)的用戶信息來完美自己的信息不足。

讀者行為信息的數(shù)據(jù)收集不足有兩種方式解決。一是要求資源商開放用戶原數(shù)據(jù)或者訪問日志，再進(jìn)行數(shù)據(jù)或日志的分析集成；二是在建立統(tǒng)一認(rèn)證平臺(tái)的基礎(chǔ)上建立統(tǒng)一訪問平臺(tái)，將資源統(tǒng)一集成到訪問平臺(tái)上，實(shí)現(xiàn)統(tǒng)一檢索統(tǒng)一訪問，行為數(shù)據(jù)由圖書館后臺(tái)記錄。

資源的數(shù)據(jù)標(biāo)引不足。這項(xiàng)相對(duì)較難，目前的文獻(xiàn)資源標(biāo)引體系沒有辦法揭示關(guān)聯(lián)數(shù)據(jù)和提供有效的評(píng)價(jià)信息，需要自上而下地對(duì)標(biāo)引體系進(jìn)行改革，當(dāng)然，有一個(gè)更好的方法是引入評(píng)論分析體系，如引入豆瓣的書評(píng)[2]、各大網(wǎng)站的相關(guān)評(píng)論進(jìn)行分析，輔助建立分析體系。

圖書館數(shù)據(jù)的智能分析方法不足。目前對(duì)于圖書館數(shù)據(jù)分析的研究尚顯不足，但其他領(lǐng)域的智能分析已經(jīng)開展了很多，也有很多已經(jīng)成型的我們可以借鑒的智能模型，這里就不多贅述。

（四）圖書館大數(shù)據(jù)服務(wù)模型[3]

從上文我們不難看出，圖書館智能服務(wù)模型（如圖3所示）共有三個(gè)階段：

第一階段有三個(gè)體系：讀者內(nèi)聯(lián)分析體系，主要挖掘讀者之間的內(nèi)在聯(lián)系，揭示讀者的相互影響度；讀者行為分析體系，主要分析讀者借閱行為，形成讀者行為的初步預(yù)測(cè)，同時(shí)對(duì)資源分析體系中的資源權(quán)值進(jìn)行反饋[4]；資源分析體系，對(duì)資源進(jìn)行合理評(píng)分，同時(shí)對(duì)讀者行為分析體系中對(duì)行為權(quán)值進(jìn)行反饋；將讀者內(nèi)聯(lián)分析體系和資源分析體系分別納入線性模型訓(xùn)練和深度學(xué)習(xí)模型訓(xùn)練，分別形成讀者需求分析預(yù)測(cè)和推薦分析預(yù)測(cè)[5]。

第二階段預(yù)測(cè)校驗(yàn)：讀者需求分析預(yù)測(cè)和推薦分析預(yù)測(cè)進(jìn)入閱讀推薦模型，根據(jù)讀者的搜索進(jìn)行優(yōu)先推薦，根據(jù)讀者的選擇情況進(jìn)行預(yù)測(cè)判斷的評(píng)價(jià)，同時(shí)，評(píng)價(jià)反饋給讀者行為分析體系和資源分析體系，對(duì)行為權(quán)值和資源權(quán)值進(jìn)行修正。

第三階段體系修正：將第二步新的權(quán)值帶入第一階段的三個(gè)體系中進(jìn)行再次的體系修正和權(quán)值更新[6]。

這樣的服務(wù)模型可以依據(jù)以往數(shù)據(jù)建立一個(gè)自適應(yīng)的智能服務(wù)模式，并可以根據(jù)實(shí)時(shí)情況對(duì)預(yù)測(cè)體系進(jìn)行權(quán)值更新修正，保證預(yù)測(cè)的準(zhǔn)確率。

Alpha-go將人工智能帶入到我們圖書館人的視野中，我們通過Alpha-go了解到了深度學(xué)習(xí)網(wǎng)絡(luò)（CNN），了解到了蒙特卡羅搜索樹（MCTS），通過進(jìn)一步學(xué)習(xí)，讓我們了解人工智能，了解到智能算法，其實(shí)我們可以在服務(wù)的過程中更多地引入當(dāng)下主流的、行之有效的智能算法，如粒子群算法、魚群算法、蟻群算法和神經(jīng)網(wǎng)絡(luò)算法等，當(dāng)然我們不是都要用這些算法，只需要選擇其中合適的算法來構(gòu)建適合我們的方式和策略。

參考文獻(xiàn)：

[1]鄭宇，張鈞波.http：//www.thebigdata.cn/YeJieDongTai/29392. html，一張圖解AlphaGo原理及弱點(diǎn)，2016（3）：16.

[2]嚴(yán)志永.基于豆瓣筆記的紙質(zhì)書讀者閱讀行為研究[J].科技與出版，2016（4）.

[3]何都益. 融合人工智能的圖書館資源建設(shè)問題反思[J].科技情報(bào)開發(fā)與經(jīng)濟(jì)，2011（11）.

[4]陳臣.基于大數(shù)據(jù)的圖書館個(gè)性化服務(wù)用戶行為分析研究[J].圖書館工作與研究，201（2）.

[5]吳凱，季新生，劉彩霞.基于行為預(yù)測(cè)的微博網(wǎng)絡(luò)信息傳播建模[J].計(jì)算機(jī)應(yīng)用研究，2013（6）.

[6]陳愛軍.高校館藏文獻(xiàn)資源的質(zhì)量評(píng)價(jià)[J].圖書館學(xué)研究，2009（11）.