張捷

摘? 要： 極限學習機算法適應新鮮樣本能力強、學習速率快，為此提出基于極限學習機算法分析圖書館讀者借閱行為。但是極限學習機算法輸入權重與隱層閾值隨機確定，行為分析結果隨機性強、可靠程度低，所以采用高適應度值遺傳算法確定極限學習機算法的輸入權值與閾值。高適應度值遺傳算法選擇算子復制兩份適應度值最優(yōu)個體、復制一份適應度值較優(yōu)個體作為遺傳種群;交叉算子選取2個適應度值最優(yōu)新個體開始變異操作;確定算法最優(yōu)輸入權值與閾值后，提取讀者借閱行為特征作為訓練樣本，構建圖書館讀者借閱行為分析模型，測試樣本代入模型得到讀者借閱行為分析結果。經測試，所提方法能準確分析出高校學生頻繁借閱、少量借閱等圖書借閱行為。

關鍵詞： 極限學習機; 圖書館; 輸入權重; 高適應度值; 遺傳種群; 借閱行為分析

中圖分類號： TN911.1?34; TP391? ? ? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）05?0121?04

Analysis of borrowing behavior of library readers

based on extreme learning machine algorithm

ZHANG Jie

（Langfang Normal University， Langfang 065000， China）

Abstract： The extreme learning machine （ELM） algorithm is ofpowerful adaptability to fresh samples and of fast learning rate. Therefore， the borrowing behavior of library readers is analyzed based on the ELM algorithm.However， the input weight and hidden layer threshold of the LEM algorithm are determined randomly， and the behavior analysis results are of serious randomness and low reliability， so the genetic algorithm with high fitness value is adopted to determine the input weight and threshold of the LEM algorithm. The selection operator of the genetic algorithm with high fitness is used to replicate two individuals with optimalfitness value and one individual with better fitness value as the genetic population， and the crossover operator is used to select two new individuals with optimal fitness values to start mutation operation. After determining the optimal input weights and thresholds of the algorithm， the characteristics of readers′ borrowing behaviors are extracted as training samples to construct the analysis model of borrowing behaviors. The test samples are subjected to the model to obtain the analysis results of readers′ borrowing behaviors. After testing， the proposed method can accurately analyze the borrowing behaviors of college students， e.g.， frequent but few borrowing.

Keywords： LEM; library; input weight; high fitness value; genetic population; borrowing behavior analysis

0? 引? 言

圖書館應以讀者借閱行為為依據開展圖書資源建設與讀者服務工作，所以，正確掌握讀者借閱行為是有效管理圖書文獻資源的前提條件[1?2]。近年來，極限學習機算法在行為分析領域應用較多，在學習速率與泛化能力方面表現突出[3]，很快適應嶄新樣本，掌握數據樣本隱藏規(guī)律[4]。因此，本文采用極限學習機算法分析圖書館讀者借閱行為。極限學習機算法無需計算輸入權重與隱層閾值，隨機輸入即可，導致算法隨機性強，不能快速得到符合標準的分析結果，針對這種情況，本文采用高適應度值遺傳算法確定極限學習機的輸入權值與閾值[5]，保障極限學習機訓練準確度，最后輸出準確的圖書館讀者借閱行為分析結果。

1? 圖書館讀者借閱行為分析

1.1? 極限學習機算法理論

在前饋神經網絡基礎上構建一種機器學習方法，稱為極限學習機（Extreme Learning Machine，ELM），ELM在監(jiān)督學習與非監(jiān)督學習方面取得了顯著成效，ELM結構[6?7]如圖1所示。由圖1可知，結構隱層節(jié)點參數與結構不存在關聯，所以無需網絡迭代調整參數、訓練參數較少、防止過度擬合、學習效率高是極限學習機的優(yōu)點，因此，基于極限學習機算法分析圖書館借閱行為結果相對可靠、輸出結果較快[8]。算法求解過程中，唯一需要定義的參數為隱層神經元數量，即可得到唯一最優(yōu)解[9]。極限學習機輸入權重與隱層閾值隨機輸入即可，算法訓練數據樣本時，省略調整權重與隱層閾值的環(huán)節(jié)。

已知[N]個訓練樣本集用[xk，ek]表示，[k=1，2，…，N]，樣本集輸入與輸出維數分別為[m]維、[n]維;樣本[xk]期望輸出向量為[ek]，式（1），式（2）為樣本集輸入與輸出變量表達形式：

[xk=xk1，xk2，…，xknT∈Rn] （1）

[ek=ek1，ek2，…，eknT∈Rn] （2）

定義[L]表示隱層節(jié)點數量，[gx]表示隱層激勵函數，ELM算法輸出形式如下：

[fx=i=1LηiVai，bi，xi=i=1Lηigai?xi+bi=η?Dx] （3）

式中[x]與[Dx]分別為輸入數據與隱層輸出矩陣。面對多個差異性輸入數據時，多個差異性輸出向量[hx]構成隱層輸出矩陣[Dx]。神經網絡輸入層至第[i]個神經元輸入權值與第[i]個隱層節(jié)點的閾值為隨機分配，兩參數形式為[ai=ai1，ai2，…，ainT]，[bi]，作用是連接第[i]個隱節(jié)點到輸出權值[ηi=ηi1，ηi2，…，ηinT]，[ai?xi]是兩向量內積。

定義[Oi]為神經網絡的學習誤差，得到盡量小的輸出誤差是單隱層神經網絡學習的主要目的，逼近相同連續(xù)[N]個樣本時的誤差為0，方法見式（4）：

[i=1Lηigai?xi+bi=tj，? ? j=1，2，…，N] （4）

隱層輸出矩陣[D]用激勵函數[gx]表示，根據式（3），式（4）可知，[Dη=T]，[T]為[ti]的向量，若同時輸入多個數據，多個不同輸入數據下[gx]構成隱層機理函數[Vx]，采用式（5）描述[Vx]與[Dx]的關系：

[Da1，…，aL，b1，…，bL，x1，…，xN=Va1?x1+b1…VaL?x1+bL???Va1?xN+b1…VaL?xN+bLN×L]? （5）

[η]與[T]的表達式如下：

[η=ηT1?ηTLL×n，? ? T=tT1?tTNN×n] （6）

極限學習機算法學習時，隨機輸入權值與閾值后得到確定的隱層矩陣用[D]表示，即神經網絡隱層輸出矩陣。此網絡訓練相當于求解線性系統[Dη=T]的二乘解最小值，用[η]表示。計算得到[η]極限學習機算法訓練過程結束，得到權值矩陣。

極限學習機算法隨機確定輸入權值與隱層閾值，雖然簡化計算步驟，但是用于圖書館讀者借閱行為分析時精確度較低[10]，輸入權值與隱層閾值隨機確定容易導致部分數值為0，個別隱層節(jié)點無效，另外，隨機確定參數的方式提升了極限學習機的隨機性[11]。綜上，采用高適應度值遺傳算法改進極限學習機訓練過程，確定輸入權值與隱層閾值，獲取性能優(yōu)異的極限學習機訓練模型，可以提升圖書館讀者借閱行為分析準確度。

1.2? 高適應度值遺傳算法

種群編碼、適應度計算、選擇、交叉、變異是遺傳算法的主要步驟，高適應度值遺傳算法改進選擇算子與交叉算子步驟，提升遺傳算法輸出解的精準度。

1.2.1? 高適應度值選擇算子

通過選擇方式獲取適應度優(yōu)異的染色體個體，優(yōu)秀個體很大幾率成為父代，通過交叉與變異產生子代。高適應度值選擇算子與以往輪盤賭選擇方式不同，總結方法為：定義[n]表示初始種群，隨后求取全部染色體的適應度值并排序（由大到?。?，均分種群規(guī)模，復制兩份適應度值最優(yōu)個體，復制一份適應度值較優(yōu)個體，染色體中適應度值最小的種群不復制[12]。這種方式令適應度值較大種群存在更大幾率進入交叉階段，種群大小沒有改變，與優(yōu)勝劣汰原則一致，該方法有效避免了輪盤賭選擇的隨機誤差。染色體適應度值排序如圖2所示，其中，[f]表示染色體適應度值，由大到小排列。

1.2.2? 高適應度值交叉算子

采用高適應度值方法選擇遺傳算法算子，提升新種群適應性能，在新種群中交叉得到兩個染色體作為父代，置換父代染色體基因后得到兩個新個體[13]。新個體攜帶父代特征，由于選擇算子在一定程度上破壞了種群多樣性，所以采用高適應度值方法獲取交叉算子，方法為：選擇滿足要求的父本與母本后，以此為基礎，基于隨機交叉點位展開[n]次多點交叉，每次交叉操作均產生兩個新個體，在新產生的個體中選取2個適應度值最優(yōu)的個體作為初始種群，展開變異操作[14]。這種方式保障了種群多樣性、未改變種群規(guī)模，而且每個個體均遺傳父代基因特點，有利于改善新種群整體性能。

1.3? 基于極限學習機改進算法的讀者借閱行為分析

基于上述高適應度值遺傳算法確定極限學習機輸入權值與閾值，分析讀者借閱行為，步驟如下：

Step1：基于特征優(yōu)選策略選取圖書館讀者借閱行為特征數據，將圖書借閱類型、月平均借閱次數、單次借閱圖書數量、借閱時間段4種特征作為圖書館讀者借閱用戶行為特征集的內容，可準確體現讀者借閱行為。歸一化處理讀者借閱行為特征集，作為極限學習機算法訓練數據。

Step2：確定極限學習機輸入層神經元、隱層神經元以及輸出層神經元數量。

Step3：編碼極限學習機輸入層至隱層的權值與閾值，獲取遺傳算法初始種群。

Step4：通過解碼操作得到權值與閾值，使用新獲取的權值與閾值展開極限學習機訓練。

Step5：極限學習機訓練完成，采用測試樣本展開測試，此時適應度函數為測試樣本期望值與預測值的誤差平方和。

Step6：對種群執(zhí)行選擇、交叉、變異操作獲取更新后的種群，若網絡權值與閾值的誤差平方和最小，符合標準[15];反之，執(zhí)行Step2。

Step7：得到優(yōu)化完成的權值與閾值，代入訓練模型中，求取隱層輸出矩陣[D]與矩陣的MoorePenrose廣義逆，即[D+]。

Step8：求取極限學習機輸出層權值[η=D+T]，由此基于極限學習機的圖書館讀者借閱行為分析模型訓練完成，將預處理完成的讀者行為測試特征樣本輸入到訓練模型中，輸出結果即為圖書館讀者借閱行為分析結果。

2? 高校圖書館讀者借閱行為的測試實驗

2.1? 實驗環(huán)境設置

以某高校圖書館作為讀者借閱行為分析對象，采用本文方法分析讀者借閱行為，選取2019年3—5月之間產生的讀者借閱數據作為訓練樣本。該高校讀者為教師與在校學生，均辦理借閱證，圖書借閱類型、月平均借閱次數、單次借閱圖書數量、借閱時長等讀者數據均記錄在借閱證中。測試樣本數據為2019年6月產生的讀者借閱數據，內容同上。高適應度值遺傳算法的種群大小與遺傳代數最大值分別設置為60，45;變量二進制位數為10，交叉與變異概率分別為0.65，0.01。本文方法圖書館讀者借閱行為樣本訓練的誤差平方和如圖3所示，由圖3可知，高適應度值遺傳算法迭代至30次時，誤差平方和趨于穩(wěn)定，穩(wěn)定值為1.50。由此可知，迭代30次時即可得到最優(yōu)的極限學習機輸入權值與閾值，無需達到最大次數45，縮短模型訓練時長。

定義極限學習機輸入神經元數量、隱層神經元數量、輸出層神經元數量分別是4，15，6，輸入神經元即圖書館讀者借閱行為特征，分別為圖書借閱類型、月平均借閱次數、單次借閱圖書數量、借閱時間段;輸出層神經元即讀者借閱行為輸出結果，分別為文科型、理工型、頻繁借閱、偶爾借閱、少量借閱、大量借閱6種。

2.2? 圖書館讀者借閱行為分析

基于以上設置，極限學習機讀者借閱行為類型與神經元輸出情況見表1。

表1體現了不同讀者借閱行為分析結果形式，以測試數據中8個學生數據為例，展示讀者借閱行為分析結果，如表2所示。

由圖書館學生借閱行為分析結果能夠看出，不同院系、不同專業(yè)學生借閱圖書的行為，如編號為1的市場營銷專業(yè)學生偶爾到圖書館借閱，每次借閱圖書數量較少;編號為2的經濟學專業(yè)學生每次借閱少量圖書，借閱次數頻繁;編號為7的統計學專業(yè)學生借閱理工型圖書，每次借閱圖書量少，偶爾借閱。

上述分析顯示，通過本文方法得到的圖書館學生借閱行為分析結果能夠清楚分析讀者借閱圖書的行為，明確讀者喜歡的圖書類型、掌握讀者喜好、了解每個讀者借閱習慣，為合理規(guī)劃圖書館圖書資源提供借鑒。

3? 結? 論

本文采用極限學習機算法分析圖書館讀者借閱行為時，采用高適應度值遺傳算法確定極限學習機的輸入權值與閾值，降低極限學習機算法的隨機性。高適應度值遺傳算法相對傳統遺傳算法而言，改變選擇算子與交叉算子方式，采用高適應度值選擇算子代替輪盤賭選擇算子，這種方式使適應度值較大的種群具有更大機率進入交叉階段，有效避免輪盤賭選擇的隨機誤差。高適應度值交叉算子保障種群的多樣性，并且無需改變種群規(guī)模。由此可知，高適應度值遺傳算法為極限學習機確定精準的輸入權值與閾值，提升了極限學習機分析圖書館讀者借閱行為的可靠程度。

參考文獻

[1] 陳美.圖書館數字資源管理困境與創(chuàng)新[J].現代情報，2017，37（6）：119?123.

[2] 秦東方，陸曉曦.21世紀我國高校圖書館人力資源管理研究述評[J].大學圖書館學報，2017，35（5）：24?30.

[3] 劉鵬，王學奎，黃宜華，等.基于Spark的極限學習機算法并行化研究[J].計算機科學，2017，44（12）：33?37.

[4] 李佩佳，石勇，汪華東，等.基于有序編碼的核極限學習順序回歸模型[J].電子與信息學報，2018，40（6）：1287?1293.

[5] 趙大興，余明進，許萬.基于高適應度值遺傳算法的AGV最優(yōu)路徑規(guī)劃[J].計算機工程與設計，2017，38（6）：1635?1641.

[6] 高彩云，崔希民，高寧.熵權遺傳算法及極限學習機地鐵隧道沉降預測[J].測繪科學，2016，41（2）：71?75.

[7] 周書仁，曹思思，蔡碧野.基于改進極限學習機算法的行為識別[J].計算機工程與科學，2017，39（9）：1749?1757.

[8] 高琪娟，劉鍇，陳佳.面向Spark的圖書借閱數據關聯模型的研究[J].安徽農業(yè)大學學報，2018，45（4）：768?771.

[9] 陸俊，陳志敏，龔鋼軍，等.基于極限學習機的居民用電行為分類分析方法[J].電力系統自動化，2019，43（2）：97?104.

[10] 謝發(fā)徽.高校圖書館座位管理系統的讀者行為分析[J].圖書館論壇，2018，38（3）：108?116.

[11] 金奇文.公共圖書館少年兒童讀者借閱分析及館藏優(yōu)化建議：以上海圖書館為例[J].圖書館雜志，2018，37（7）：53?62.

[12] 劉浩然，趙翠香，李軒，等.一種基于改進遺傳算法的神經網絡優(yōu)化算法研究[J].儀器儀表學報，2016，37（7）：1573?1580.

[13] 劉玉梅，魏歐，黃鳴宇，等.應用改進的遺傳算法優(yōu)化軟件產品線特征選擇[J].小型微型計算機系統，2017，38（1）：35?39.

[14] 文藝，潘大志.用于求解TSP問題的改進遺傳算法[J].計算機科學，2016，43（z1）：90?92.

[15] 辛宇，童孟軍，華宇婷.一種基于最優(yōu)特征選擇改進的遺傳算法[J].傳感技術學報，2018，31（11）：1747?1752.