李建偉

（嘉應(yīng)學(xué)院圖書館，廣東 梅州 514045）

1 圖書館信息服務(wù)發(fā)展現(xiàn)狀

信息服務(wù)是圖書館的一項(xiàng)核心業(yè)務(wù)工作，是圖書館開展學(xué)科知識服務(wù)的重要工具，是專業(yè)館員與讀者知識交流溝通的重要“橋梁”。遵循傳統(tǒng)信息咨詢服務(wù)模式的圖書館，咨詢館員能否為讀者提供深度的知識咨詢服務(wù)，往往取決于自己是否具備足夠?qū)挼闹R面以及良好的溝通交流能力。因不同咨詢館員各自知識結(jié)構(gòu)、素養(yǎng)以及業(yè)務(wù)技能水平不一，所以往往會造成咨詢服務(wù)質(zhì)量參差不齊或咨詢表面化等問題。在傳統(tǒng)咨詢信息分析環(huán)節(jié)過程中，讀者更多地依賴咨詢專家主觀的業(yè)內(nèi)經(jīng)驗(yàn)，面對日趨復(fù)雜的咨詢情境，也容易陷入咨詢效果偏離現(xiàn)實(shí)要求的困境[1]。

近年來，“互聯(lián)網(wǎng)+”的快速發(fā)展悄然改變了信息服務(wù)的傳統(tǒng)方式，互聯(lián)網(wǎng)問答社區(qū)日益興起，問答社區(qū)以知識與經(jīng)驗(yàn)共享為目的，參與者可以關(guān)注感興趣的話題，可以提問尋求幫助，其他用戶則可以根據(jù)自身的知識、見解在線給予解答。社區(qū)平臺還通過提問、回答、評論等互動來激發(fā)讀者的知識分享行為，以多元化的獎勵方式積極邀請其他讀者來參與，目前比較盛行的問答平臺有Quora、Stack Overflow、知乎等。另外智能問答系統(tǒng)也逐漸走入互聯(lián)網(wǎng)用戶日常生活，如Google Now 會全面了解人們的各種習(xí)慣和正在進(jìn)行的動作來為其提供相關(guān)信息，蘋果公司Siri手機(jī)語音助手，微軟小冰也正在被大家廣泛使用。

面對時代的挑戰(zhàn)，為提升信息咨詢的實(shí)時與便捷性，圖書館正積極開發(fā)分布式虛擬信息咨詢系統(tǒng)，一體化的咨詢平臺可以充分發(fā)揮學(xué)科館員的智力勞動，為用戶提供集實(shí)時咨詢與延時咨詢于一體提供深層次、多應(yīng)用場景靈活切換的服務(wù)，以彌補(bǔ)傳統(tǒng)模式下延時咨詢方式的不足。區(qū)別于傳統(tǒng)咨詢的“接受服務(wù)”，部分圖書館構(gòu)建虛擬知識平臺，通過解答問題創(chuàng)造知識，通過用戶互相探討提供知識服務(wù)。咨詢館員的主要角色則由負(fù)責(zé)回答用戶問題轉(zhuǎn)換為審核讀者提交的問題或答案，適時有針對性地將恰當(dāng)?shù)膬?nèi)容推送給用戶，或者邀請其他用戶、專家協(xié)助解答。另外，館員承擔(dān)把館員和用戶的隱性知識轉(zhuǎn)化為顯性知識的任務(wù)，將問題答案累積到知識庫中，為讀者未來的學(xué)習(xí)研究提供參考。同時智能機(jī)器人館員也開始上崗，如上海圖書館引進(jìn)的機(jī)器人“圖小靈”，當(dāng)它被培訓(xùn)“學(xué)習(xí)”到知識后，可以像一名資深圖書館員一樣，為讀者提供信息咨詢服務(wù)。服務(wù)創(chuàng)新是圖書館信息咨詢業(yè)務(wù)形成核心競爭力的唯一途徑，傳統(tǒng)圖書館咨詢服務(wù)正逐步邁向新一代的智慧服務(wù)模式。

2 人工智能時代智慧圖書館的知識咨詢服務(wù)

2.1 智慧圖書館知識咨詢服務(wù)的發(fā)展環(huán)境

自2009年IBM提出“智慧地球”概念以來，伴隨著大數(shù)據(jù)、云計算、物聯(lián)網(wǎng)和人工智能等技術(shù)的快速發(fā)展，智慧圖書館及其服務(wù)體系已經(jīng)成為圖書館界研究的熱門課題[2]。近年來，人工智能在知識表示、語音識別、語義識別、計算機(jī)視覺等領(lǐng)域取得一次又一次突破，在圖書館的知識咨詢服務(wù)領(lǐng)域也催生了越來越多的信息服務(wù)“智慧”應(yīng)用。大數(shù)據(jù)與云計算是人工智能發(fā)展的基礎(chǔ)，三者的融合已經(jīng)深刻影響了各行各業(yè)的革新式發(fā)展。機(jī)器智能系統(tǒng)要擁有類似人類的智能理解事物問題的能力，很大程度上依賴于是否擁有龐大的數(shù)據(jù)量，是否擁有強(qiáng)大計算分析能力的處理器以及快速的網(wǎng)絡(luò)傳輸速度。傳統(tǒng)互聯(lián)網(wǎng)到移動互聯(lián)網(wǎng)的發(fā)展，設(shè)備互聯(lián)，人機(jī)互聯(lián)，信息大量涌現(xiàn)且無處不在，衍生出了大數(shù)據(jù)時代。大數(shù)據(jù)處理需具備執(zhí)行大規(guī)模并行計算能力的處理器，當(dāng)前遠(yuǎn)超CPU 并行計算能力的GPU處理器的出現(xiàn)，使得大數(shù)據(jù)處理變得可能。5G網(wǎng)絡(luò)時代的到來，更加全面地釋放人工智能的潛能，有力地推動了整個網(wǎng)絡(luò)實(shí)現(xiàn)智能化。面對人工智能、機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘等技術(shù)異軍突起，現(xiàn)代圖書館也在探索運(yùn)用人工智能理論與技術(shù)讓機(jī)器“聽懂”“讀懂”“看懂”用戶的資源需求，為用戶提供自動、主動、精準(zhǔn)的知識咨詢服務(wù)。

2.2 基于人機(jī)交互的“AI+”信息咨詢發(fā)展范式

智慧圖書館以數(shù)字化、網(wǎng)絡(luò)化、智能化的信息技術(shù)為基礎(chǔ)，以互聯(lián)、高效、便利為主要特征[3]。現(xiàn)代圖書館與讀者的人機(jī)交互方式，不再局限于傳統(tǒng)的鼠標(biāo)和鍵盤結(jié)合的用戶界面，而是傾向于更加符合人類習(xí)慣的不受時空限制的語音交互。用戶利用人工智能的“認(rèn)知”技術(shù)，通過語音和拍攝圖片的方式向咨詢“機(jī)器人”發(fā)出指令?！皺C(jī)器人”依次完成圖像識別、用戶語音識別、內(nèi)容語義分析后，可以準(zhǔn)確獲取用戶需求，通過語音合成模擬自然人進(jìn)行結(jié)果反饋，用戶在聆聽機(jī)器語音回答時就像與專業(yè)館員對話一樣，同步性更強(qiáng)。語音問答既可以幫助咨詢館員更好理解用戶所表達(dá)的知識問題，也可以有效感知用戶所傳遞的隱性信息，包括說話語氣、態(tài)度和情緒等，使得讀者與咨詢館員之間的知識互動和信息交流傳播富有情感和感染力。當(dāng)然，現(xiàn)存人機(jī)交互技術(shù)也存在不少障礙，如語音識別無法準(zhǔn)確識別地方方言；語音合成技術(shù)在音色、語速和語種等方面的合成上存在不小的缺陷；語義理解技術(shù)法難于做到全部理解，因?yàn)樵~語有歧義，句法有模糊，語義背后隱含的情感難以理解。然而，運(yùn)用人工智能技術(shù)實(shí)現(xiàn)自助式信息咨詢服務(wù)，可以讓讀者擁有更多更精細(xì)的回答，獲得更全面更快捷的咨詢服務(wù)體驗(yàn)。

2.3 以大數(shù)據(jù)驅(qū)動的智能信息服務(wù)生態(tài)

信息服務(wù)平臺中咨詢館員與讀者的知識交流容易產(chǎn)生有價值的交互數(shù)據(jù)，包括原始創(chuàng)作的各類視頻、聲音、圖片、文字等信息內(nèi)容。人工智能是和大數(shù)據(jù)聯(lián)系在一起的，擁有“聰明算法”的網(wǎng)絡(luò)機(jī)器人，可以采集自動抓取實(shí)時交流更新的信息，用戶的任何一個閱讀行為將被如實(shí)記錄，如點(diǎn)擊次數(shù)、內(nèi)容閱讀時長、讀者評論、轉(zhuǎn)發(fā)或分享動作等。智能系統(tǒng)對這些交互數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗、篩選、挖掘、分析，語義理解用戶提問，大數(shù)據(jù)分析用戶的閱讀興趣，描繪一個用戶的興趣圖譜，然后針對用戶的興趣來智能遴選信息，選擇在合適的應(yīng)用場景讓最匹配的知識信息和目標(biāo)用戶耦合。最后啟動語音自動回答，真正體現(xiàn)智能知識咨詢的“信息通路”功能。以大數(shù)據(jù)為基礎(chǔ)，以人工智能為核心，以提供個性、精準(zhǔn)、高效的信息服務(wù)為目標(biāo)，新一代智能知識咨詢服務(wù)形成的是以大數(shù)據(jù)驅(qū)動的標(biāo)準(zhǔn)化、專業(yè)化的知識咨詢服務(wù)閉環(huán)生態(tài)，如圖1所示。

圖1 智慧信息咨詢服務(wù)閉環(huán)生態(tài)

在智慧信息服務(wù)生態(tài)中，系統(tǒng)人員預(yù)先為知識問答建模，經(jīng)過成熟模型訓(xùn)練，保存穩(wěn)定的模型。當(dāng)用戶發(fā)起信息請求時，平臺經(jīng)過無監(jiān)督式自我深度學(xué)習(xí)準(zhǔn)確預(yù)測結(jié)果，向用戶主動推送，讓咨詢館員從一些簡單、重復(fù)的工作中解放出來。利用海量歷史數(shù)據(jù)來關(guān)聯(lián)計算讀者關(guān)注某一話題的信息強(qiáng)度，如果信息強(qiáng)度超過閾值，圖書館智能知識咨詢系統(tǒng)會自動向讀者推送預(yù)期信息資訊，解決人工難以完成的有效的個性化推薦的問題，也為讀者節(jié)省了信息過濾的時間。資深館員的智慧和經(jīng)驗(yàn)則主要運(yùn)用于如何確定人工智能在信息咨詢服務(wù)中的使用場景，如何抽查審核內(nèi)容，如何修正技術(shù)差錯以確保內(nèi)容安全，從某種意義上說，智能知識咨詢是人工智能與專業(yè)館員共同努力的結(jié)果。

3 基于深度學(xué)習(xí)的智能信息咨詢自動問答系統(tǒng)

3.1 機(jī)器學(xué)習(xí)與深度學(xué)習(xí)

人類擁有的一項(xiàng)高級智能行為是自我學(xué)習(xí)，能否讓機(jī)器像人類一樣可以利用不斷積累經(jīng)驗(yàn)自動改善自身效能，不斷生產(chǎn)出更多新的知識呢？機(jī)器學(xué)習(xí)正是讓機(jī)器具備人類智能必要的最重要的技術(shù)，使它學(xué)習(xí)數(shù)據(jù)中的內(nèi)在規(guī)律性信息，獲得新的經(jīng)驗(yàn)和知識，能夠像人那樣去決策。當(dāng)前機(jī)器學(xué)習(xí)在社會領(lǐng)域的應(yīng)用研究已經(jīng)取得了重要進(jìn)展，一些重復(fù)、數(shù)量龐雜卻簡單的工作完全可以由機(jī)器學(xué)習(xí)的方式來替代，以減輕人的負(fù)擔(dān)。深度學(xué)習(xí)則是近年來機(jī)器學(xué)習(xí)的新的研究方向，它模擬人腦的多分層結(jié)構(gòu)、神經(jīng)元的連接交互、信息的逐層分析處理等機(jī)制，使機(jī)器模仿視聽和思考等人類活動，自適應(yīng)、自學(xué)習(xí)能力強(qiáng)大，被稱為最接近人類大腦的智能學(xué)習(xí)方法和認(rèn)知過程[4]。

3.2 人工智能知識咨詢自動問答系統(tǒng)模型原理

隨著大數(shù)據(jù)時代的到來，深度學(xué)習(xí)技術(shù)在語音識別、搜索推薦、自然語言處理等領(lǐng)域應(yīng)用前景廣闊，圖書館也逐漸融入深度學(xué)習(xí)構(gòu)建智慧知識自動問答平臺開展虛擬咨詢服務(wù)。首先智能咨詢系統(tǒng)源源不斷將數(shù)據(jù)傳到云端，利用人工智能的算法對這些數(shù)據(jù)進(jìn)行比對，應(yīng)用“語音識別”將用戶產(chǎn)生的錄音內(nèi)容自動轉(zhuǎn)化為相應(yīng)的文本或命令。云計算的出現(xiàn)使集中化數(shù)據(jù)計算處理能力變得空前強(qiáng)大，機(jī)器利用深度學(xué)習(xí)技術(shù)進(jìn)行語義識別，完成內(nèi)容理解和價值判斷或轉(zhuǎn)換為命令，基于大數(shù)據(jù)的“咨詢大腦”會將新出現(xiàn)的內(nèi)容與已有數(shù)據(jù)進(jìn)行關(guān)聯(lián)技術(shù)計算，準(zhǔn)確理解語義進(jìn)行檢索，最后將輸出結(jié)果轉(zhuǎn)換成機(jī)器合成的語音，以對話的形式將結(jié)果反饋給用戶，見圖2。對于沒有事先定義的輸入問句，對咨詢館員而言是困難的，但對機(jī)器來說其實(shí)只要符合一定的規(guī)則，問答系統(tǒng)可以從一系列可能的回答中選出一個與問句最相關(guān)的答句，給讀者感覺像是在和人問答而非與機(jī)器問答。

圖2 自動知識問答服務(wù)框架

區(qū)別于基于知識數(shù)據(jù)庫檢索的傳統(tǒng)咨詢方法，基于深度學(xué)習(xí)算法的端到端的問答系統(tǒng)，有機(jī)組織語音識別、語義理解和語音合成等重要人工智能技術(shù)實(shí)現(xiàn)自動問答的功能，主動提供與問題相關(guān)聯(lián)的主題知識。智能知識咨詢?nèi)谌肷疃葘W(xué)習(xí)，從海量的低層交互數(shù)據(jù)中自動地提取多層特征表示，由具體到抽象、由一般到特定，從簡單特征中提取更加復(fù)雜的特征，目標(biāo)是讓機(jī)器不僅僅能夠識別讀者提交的文字、圖像和聲音等數(shù)據(jù)，還要能夠像人一樣具有分析學(xué)習(xí)能力，能夠并使用這些組合特征去幫助讀者回答問題。

3.3 基于深度學(xué)習(xí)的智能信息咨詢自動問答系統(tǒng)關(guān)鍵構(gòu)建技術(shù)

3.3.1 自動問答系統(tǒng)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)與模型訓(xùn)練

基于深度學(xué)習(xí)的自動問答系統(tǒng)學(xué)習(xí)模型模擬人腦的學(xué)習(xí)能力，依賴于含有多隱層的神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)隱層節(jié)點(diǎn)一般超過5 層，有時多達(dá)10 層。學(xué)習(xí)模型首先讓各層預(yù)先學(xué)習(xí)來自數(shù)據(jù)源的知識特征，再經(jīng)過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)層的學(xué)習(xí)推理，生產(chǎn)出預(yù)先沒有發(fā)現(xiàn)的有價值的一系列知識規(guī)則。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)層的學(xué)習(xí)從淺層順次開始，由淺層的初級特征逐步學(xué)習(xí)到深層的高級特征，上一層學(xué)習(xí)得出輸出數(shù)據(jù)會作為下一層的輸入數(shù)據(jù)，最后將初始樣本數(shù)據(jù)從原有特征空間轉(zhuǎn)換為一個全新的特征空間來表示，建立起對輸入問題和輸出答案之間的聯(lián)合分布，達(dá)到對大規(guī)模語料數(shù)據(jù)特征學(xué)習(xí)的目的，可以使咨詢問題分類或自動預(yù)測問題答案更加容易實(shí)現(xiàn)，提高精度，如圖3。學(xué)習(xí)模型強(qiáng)調(diào)知識反饋學(xué)習(xí)，采用參數(shù)權(quán)值賦予的形式更有效地控制學(xué)習(xí)算法的可變因素，以便更主動地適應(yīng)新、老用戶人機(jī)之間的學(xué)習(xí)差異。

圖3 智能知識咨詢平臺神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型

智能信息咨詢系統(tǒng)學(xué)習(xí)能力的培養(yǎng)與人類相似，需要教材和預(yù)先訓(xùn)練，基于規(guī)則先構(gòu)造小型語料分類器進(jìn)行數(shù)據(jù)處理，目的是用機(jī)器學(xué)習(xí)方法訓(xùn)練出一個準(zhǔn)確率比較可觀的模型，然后作為更大規(guī)模數(shù)據(jù)集的數(shù)據(jù)處理器。訓(xùn)練數(shù)據(jù)獲取渠道、途徑和來源、用戶在線瀏覽信息的行為、咨詢館員與用戶交互產(chǎn)生的信息、用戶生產(chǎn)的內(nèi)容信息等也成為訓(xùn)練集的重要來源。由于面向?qū)I(yè)知識領(lǐng)域的特定主題的語料獲取、整理比較困難，可以通過發(fā)放問卷的形式或引導(dǎo)讀者填寫關(guān)于指令類語句等形式有償回收用戶的反饋，通過人工編輯構(gòu)成質(zhì)量較高的具有相應(yīng)主題的語料。語料庫的主題設(shè)置可以圍繞圖書館讀者服務(wù)項(xiàng)目進(jìn)行有針對性的層級設(shè)置，如設(shè)置學(xué)科服務(wù)、館際互借、書刊借閱、讀者培訓(xùn)、電子資源獲取、規(guī)章制度、意見建議等常見一級主題問題，每一個子主題設(shè)置數(shù)量充足的問題語句，每個咨詢問題一般歸屬一個類目，內(nèi)容特征相似的問題最多可以歸屬2～3個類目。

3.3.2 智能信息咨詢服務(wù)自然語言處理

機(jī)器無法直接理解人類的語言，如何將咨詢平臺用戶的輸入劃分到相應(yīng)的主題中去，是實(shí)現(xiàn)自動問答系統(tǒng)的關(guān)鍵技術(shù)。自然語言處理是人工智能領(lǐng)域研究的重要方向，為讓機(jī)器可以運(yùn)用學(xué)習(xí)算法來處理自然語言，通常采用詞向量的方法將語言數(shù)學(xué)化，譬如經(jīng)典的詞向量，表示方法one-hot representation是采用將所有的單詞標(biāo)號后建立一個詞表長度大小維度的向量，然后組成一個句子的方法，如將詞語表示成x={0，0，0，0，1，0，…，0，0，0，…}的形式，這個向量的每一個維度代表一個詞語，如果這個句子中有該詞語，那么將這個位置置為1，其他維度置為0。假若我們想要表示一個包含10個詞的句子，如果用20 維的詞向量來表示，我們將會得到一個10*20的矩陣作為模型訓(xùn)練的輸入。矩陣的每一行代表一個經(jīng)過分詞后的單詞元素，即一個單詞的向量表示。但one-hot 這種表示無法表示出在語義層面上詞與詞之間的相關(guān)信息，僅僅將詞符號化，而且向量的維度會隨著句子的詞的數(shù)量類型增大而增大。

Google 2013年推出的融合深度學(xué)習(xí)的思想開源工具包word2vec（也叫Word Embeddings），能夠?qū)⒆匀徽Z言中的字詞轉(zhuǎn)為計算機(jī)可以理解的稠密向量（Dense Vector），有效實(shí)現(xiàn)詞向量簡單高效獲取。對于咨詢平臺的用戶輸入的句子的表示，自然語言處理任務(wù)主要將所有的訓(xùn)練數(shù)據(jù)的每個單詞向量化成一種數(shù)值表示，通過詞向量的方法將詞映射到一個矢量表示空間。利用Word2vec 的詞向量表示方法對語料進(jìn)行訓(xùn)練，不僅可以把文本處理為可控制維度的向量空間，而且能夠更有效地描述問題語句中詞語間的相關(guān)性，詞義相似的詞將被映射到向量空間中相近的位置。

為了更好、更方便、更高效地使用機(jī)器學(xué)習(xí)算法，通常需要一定的軟件平臺支持，不可忽視的是近年來科技巨頭紛紛開發(fā)深度學(xué)習(xí)框架，如CNTK、Caffe、TensorFlow等，這為圖書館大大降低了開發(fā)深度學(xué)習(xí)系統(tǒng)應(yīng)用的門檻，為智慧咨詢自然語言處理提供了強(qiáng)有力的支持。尤其是TensorFlow作為谷歌發(fā)布的新一代機(jī)器學(xué)習(xí)平臺，它支持最流行的包括CNN、RNN、LSTM算法在內(nèi)的深度神經(jīng)網(wǎng)絡(luò)模型，支持C++、Python等開發(fā)語言，并能夠進(jìn)行網(wǎng)絡(luò)分布式學(xué)習(xí)，利用word2vec 功能應(yīng)用實(shí)現(xiàn)字母向量化，在自然語言理解領(lǐng)域可以得到良好的應(yīng)用。

3.3.3 卷積神經(jīng)網(wǎng)絡(luò)在主動信息推薦的應(yīng)用

智慧咨詢平臺的主動信息推薦基本流程是通過語料分析，對用戶興趣行為的深度挖掘，過濾掉與其感興趣信息不匹配的信息，對學(xué)科屬性比較相近的提問進(jìn)行關(guān)聯(lián)計算，形成用戶關(guān)注度較高的同類話題的圖譜，生成個性化信息推薦模型以滿足用戶差異化信息獲取需求。對于語料數(shù)據(jù)集如何選用最合適的網(wǎng)絡(luò)結(jié)構(gòu)，對不斷更新的數(shù)據(jù)集都具備比較精確的主動分類性能，是主動問答系統(tǒng)一個研究關(guān)鍵點(diǎn)。機(jī)器學(xué)習(xí)算法主要用來求解問題，尋求最優(yōu)化步驟和過程。近年來，各種新的深度學(xué)習(xí)算法模型也不斷被提出，如卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）和長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）等。

CNN 是一種含卷積層的比較成熟且應(yīng)用廣泛的前饋神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)更接近于實(shí)際的生物神經(jīng)網(wǎng)絡(luò)，它的人工神經(jīng)元可以響應(yīng)一部分覆蓋范圍內(nèi)的周圍單元，對于大規(guī)模的信息知識分類模式識別都有著非常好的性能表現(xiàn)。

在深度神經(jīng)網(wǎng)絡(luò)模型CNN中，卷積定義為：

s（i，j）=（X?W）（i，j）=∑m∑nx（i+m，j+n）w（m，n）

其中，W稱為卷積核，而X為輸入；如果X是多維輸入的張量，那么W也是一個多維的張量。例如圖4，輸入X是一個二維的3×4矩陣，卷積核W是一個2×2的矩陣。假設(shè)卷積以一次移動一個像素來卷積的，那么左上角2×2 局部和卷積核卷積的輸出矩陣S 的S00的元素，值為aw+bx+ey+fz，即各個位置的元素相乘再相加。接著輸入的局部向右平移一個像素，同樣的方法，變成（b，c，f，g）4個元素構(gòu)成的矩陣和卷積核來卷積，可以得到輸出矩陣S 的S02，S10，S11，S12的元素。通過卷積層處理過的節(jié)點(diǎn)矩陣會變得更深，能夠有效地避免傳統(tǒng)機(jī)器學(xué)習(xí)方法所面臨的樣本特征表達(dá)稀疏、計算復(fù)雜等問題。

圖4 二維的3x4的卷積矩陣

CNN 在計算機(jī)視覺、聲音識別、人臉識別等領(lǐng)域取得了很大的成功。不少學(xué)者把它應(yīng)用于自然語言處理領(lǐng)域，并對該網(wǎng)絡(luò)進(jìn)行了改進(jìn)，特別是在知識問答分類處理應(yīng)用領(lǐng)域表現(xiàn)出色。如文獻(xiàn)[5]研究了CNN 在文本分類的實(shí)際應(yīng)用，實(shí)驗(yàn)證明基于CNN 文本分類模型能夠獲得比傳統(tǒng)機(jī)器學(xué)習(xí)模型更高的正確率。文獻(xiàn)[6]和[7]介紹了如何學(xué)習(xí)將句子表示成包含語義的結(jié)構(gòu)，基于用戶當(dāng)前的閱讀內(nèi)容，為其推薦其他感興趣的文檔。CNN通過卷積操作，可以學(xué)習(xí)到句子中抽象的特征且組合低層特征形成更加抽象的高層特征，而且無需人工干預(yù)。通過應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)良好的自動學(xué)習(xí)特性，咨詢平臺自動分析咨詢問題的內(nèi)容，分析讀者對知識熱點(diǎn)的討論，分析和研究讀者的意見、情感、評價、態(tài)度和情緒等，可以挖掘和分析出大量的知識和模式，從而為主動信息推送提供科學(xué)規(guī)則。

3.3.4 自動問答“問題——答案”的主動分類

“問題——答案”主動分類在咨詢平臺的信息組織與管理中具有舉足輕重的地位，核心方法是能夠同時理解讀者的需求和知識庫的主題特征，要提取分類數(shù)據(jù)的特征并選擇最優(yōu)的特征匹配，不僅僅限于為用戶提供問題答案簡單檢索功能，而是基于深度學(xué)習(xí)更精確地為讀者進(jìn)行知識提供，為讀者節(jié)約更多信息篩選的時間和精力。

問答系統(tǒng)分類模型結(jié)構(gòu)明晰，首先要進(jìn)行文本預(yù)處理，主要去掉常用且意義不大的停用詞，同時要利用分詞算法針對中文文本進(jìn)行分詞處理，利用word2vec訓(xùn)練大量的語料得到中文詞向量。經(jīng)過分詞的輸入句子按照輸入順序逐詞編碼成一個由隱藏層輸出定長的向量，這樣一個定長的隱藏層向量可以充當(dāng)輸入句子的語義特征向量，其嵌入了句子中各類重要的語義信息，因此可以很有效地表征一個句子的語義。每一輪前一個詞的編碼結(jié)果將會作為下一輪后一個詞的編碼過程的輸入的一部分，因此最終得到的隱藏層向量包含了整個句子的語義信息。另一個神經(jīng)網(wǎng)絡(luò)作為解碼器，根據(jù)輸入一個個詞輸出解碼的結(jié)果，將這些詞按序拼接后得到的就是對于用戶問句的答句。在這個過程中，每一個神經(jīng)網(wǎng)絡(luò)單元的輸入是上一輪解碼的隱藏層向量與前N 輪解碼出的單詞。因此，在解碼過程中的每一輪輸出的結(jié)果都受到了上下文（也就是編碼結(jié)果）以及之前N輪生成的單詞的影響，因此系統(tǒng)輸出的答句既能準(zhǔn)確回答用戶的問題，又具有較好的語法結(jié)構(gòu)、語序合理，而且答句句式較為新穎。

加入Word2Vec 與CNN 模型的問答系統(tǒng)框架，對數(shù)據(jù)特征逐層地提取，將連續(xù)的低維特征信息進(jìn)行高維特征抽取合成，利用高維特征樣本訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型，充分地體現(xiàn)信息數(shù)據(jù)特征間的相關(guān)性，進(jìn)而得到理想問句——對答案的分類處理。因?yàn)榧夹g(shù)算法的融入，問答系統(tǒng)反饋的結(jié)果不再是單條即時信息的集合，而是按事先確定的規(guī)則挖掘推送的問題答案的有序聚合，通過引導(dǎo)式推薦讓讀者沉浸于內(nèi)容本身，不斷地關(guān)聯(lián)閱讀下去，從而增加閱讀深度。

4 人工智能在圖書館信息服務(wù)中的創(chuàng)新與未來發(fā)展

人工智能技術(shù)是新時代一項(xiàng)創(chuàng)新技術(shù)，在圖書館知識服務(wù)領(lǐng)域應(yīng)用前景廣闊。基于深度學(xué)習(xí)實(shí)現(xiàn)圖書館智慧咨詢服務(wù)，可以改變傳統(tǒng)咨詢服務(wù)中館員與讀者之間被動的信息交流模式，替代專業(yè)館員完成可能需要投入大量資源和時間才能完成的咨詢工作，提升圖書館的服務(wù)效能以及便捷化水平。算法推薦技術(shù)屬于智慧咨詢系統(tǒng)的核心技術(shù)，依托圖書館內(nèi)已有信息知識資源，可以有效洞察讀者潛在資源需求，促使信息服務(wù)從主要依靠專業(yè)經(jīng)驗(yàn)進(jìn)行粗放管理向泛在化、智慧化管理轉(zhuǎn)變。

當(dāng)然人工智能在信息咨詢服務(wù)領(lǐng)域還存在很多發(fā)展瓶頸。比如傳統(tǒng)咨詢模式，咨詢館員是信息的“把關(guān)人”，為用戶起著價值判斷、不良信息過濾的角色。然而智能推薦系統(tǒng)對信息的過濾主要依賴于對關(guān)鍵字的回避，對信息的甄選以及優(yōu)劣和真假判斷有待提高。另外，人與機(jī)器的語義交流網(wǎng)絡(luò)中如何更科學(xué)地形成完備的語義體系，對抽象的概念如何實(shí)現(xiàn)更精確地語義識別，以及實(shí)現(xiàn)真正意義上的交流，也是建設(shè)智能推薦模式的難題。大數(shù)據(jù)人工智能算法只能根據(jù)用戶歷史記錄發(fā)掘興趣模式進(jìn)行知識推送，如果機(jī)器算法不成熟完善，導(dǎo)致推送的內(nèi)容重復(fù)度太高，可能會讓用戶越來越被動地傾向于接收和自己相類似的信息和觀點(diǎn)，使他們越來越難從“信息繭房”中解放出來，越來越窄的信息環(huán)境會限制讀者的視野，減少其接觸其他多元化信息的機(jī)會。當(dāng)然，從技術(shù)上看，以自動、主動開放為理念的人工智能信息推薦是卓有成效的，面對成千上萬的文本進(jìn)行處理的機(jī)器人學(xué)習(xí)過程中出現(xiàn)的諸多問題，我們要做的就是根據(jù)出現(xiàn)的異常不斷修正完善，進(jìn)一步提升智能化服務(wù)水平，但隨著算法和模型的不斷完善，這些問題都將被陸續(xù)解決。