The Application of Machine Learning in the Evaluation of Foreign Electronic Resources

Abstract Establishing ascientificand efficient method for evaluating electronic resources isa crucial task in the development of university library resourcesand theenhancement of service quality.This paper focuses on foreign electronicresourcesandestablishestwodistincttypesofevaluation indexsystems：onefor foreign journal ful-text databases，the other for foreign abstract databases.Using machine learning models，the study builds feature engineering forthe indicator data，performs normalization，dimensionalityreduction，and featureselection，followed bymodel construction，training，andthetuningandevaluationof different models.TheKNNalgorithm isultimatelyidentifiedas theoptimalmodel，which isthenusedforobjectiveevaluationofforeignelectronicresources.Theresults indicatethat machine learning models，compared with traditional evaluation methods，provide more accurate and eficient predictions， guiding electronic resource optimization inamore objective manner，thereby enabling libraries to make data-driven decisions.

Key Words machine learning; university libraries; electronic resources; evaluation indicators

1引言

電子資源是高校圖書館文獻資源建設(shè)不可或缺的組成部分，其中外文電子資源對于提升高校教學(xué)和科研的國際化水平具有重要意義。然而，外文電子資源采購價格較高且逐年上漲，給圖書館資源建設(shè)帶來一系列問題：一方面，外文電子資源采購經(jīng)費占比過高導(dǎo)致其他資源采購受到限制，影響高校資源保障的整體平衡和多樣性；另一方面，過度投入外文電子資源采購，使圖書館在資源建設(shè)中缺乏靈活性，難以應(yīng)對不斷變化的教學(xué)和科研需求。因此，研究和建立準(zhǔn)確、高效、智能的電子資源評價方法，能夠為合理分配經(jīng)費、及時調(diào)整采購策略提供可靠的依據(jù)，對圖書館文獻資源建設(shè)可持續(xù)發(fā)展及服務(wù)質(zhì)量的提升具有重要意義。

電子資源評價是對電子資源內(nèi)容、價格、系統(tǒng)功能、數(shù)據(jù)庫商服務(wù)等方面進行系統(tǒng)化評價，旨在為圖書館電子資源采選、續(xù)訂等決策提供依據(jù)[1]，是高校圖書館文獻資源建設(shè)工作中的重點和難點。目前電子資源評價研究主要集中在建立評價指標(biāo)體系和探索評價方法方面，存在評價結(jié)果不客觀等問題。隨著大數(shù)據(jù)分析和人工智能技術(shù)的落地應(yīng)用，電子資源評價工作更加注重評價指標(biāo)數(shù)據(jù)收集和處理。機器學(xué)習(xí)通過對樣本數(shù)據(jù)的學(xué)習(xí)去除人為干擾，發(fā)現(xiàn)數(shù)據(jù)內(nèi)部的規(guī)律和表示層次，能夠自動識別和分析輸入的數(shù)據(jù)并得出評價結(jié)果。

2電子資源評價指標(biāo)體系設(shè)計

當(dāng)前我國各高校圖書館數(shù)據(jù)庫資源的利用存在差異，陳英2、劉爽[3]、肖瓏等人4都提出了評價指標(biāo)體系來指導(dǎo)電子資源建設(shè)。機器學(xué)習(xí)不同于傳統(tǒng)回歸建模方法，它能夠自動識別和分析輸入數(shù)據(jù)并得出結(jié)論，因此本研究在其他學(xué)者研究的基礎(chǔ)上，選取外文期刊全文數(shù)據(jù)庫和外文文摘數(shù)據(jù)庫兩種類型數(shù)據(jù)庫分別構(gòu)建評價指標(biāo)體系，旨在提高模型的客觀性、泛化性、準(zhǔn)確性。

2.1外文期刊全文數(shù)據(jù)庫評價指標(biāo)體系構(gòu)建

外文期刊全文數(shù)據(jù)庫評價指標(biāo)體系分為4個一級指標(biāo)，17個二級指標(biāo)，如表1所示。一級指標(biāo)分為“資源質(zhì)量\"\"資源利用\"\"資源成本\"\"資源評價\"四個維度，前三個均為客觀數(shù)據(jù)，其中“資源利用\"與“資源成本”是建立評價指標(biāo)最重要的維度，但各高校并不統(tǒng)一。因此，針對“資源利用”，本研究除了選取最常用的“全文下載量\"指標(biāo)外，增加了“本校發(fā)文數(shù)量\"“本校發(fā)文引用量”“本校發(fā)文期刊種數(shù)”三個評價指標(biāo)；針對“資源成本”，除了選取最常用的“年度單篇成本\"\"數(shù)據(jù)庫采購費用\"“年度漲幅\"指標(biāo)外，增加了“集團平均成本”和“集團內(nèi)排名\"兩個關(guān)鍵指標(biāo)。“資源評價”指標(biāo)選取DRAA（DigitalResourceAcquisitionAllianceofChineseAcademicLibraries，高校圖書館數(shù)字資源采購聯(lián)盟）網(wǎng)站評價中心數(shù)據(jù)。采購數(shù)據(jù)庫牽頭館及成員館共同維護評價中心數(shù)據(jù)，實時開展數(shù)據(jù)庫滿意度調(diào)查，并由各高校圖書館電子資源采購資深采訪館員或者主管館長提交相關(guān)數(shù)據(jù)。因此，雖然該指標(biāo)類型是主觀數(shù)據(jù)，但也能保證主觀數(shù)據(jù)的權(quán)威性。

2.2外文文摘數(shù)據(jù)庫評價指標(biāo)體系構(gòu)建

外文文摘數(shù)據(jù)庫評價指標(biāo)體系分為4個一級指標(biāo)，13個二級指標(biāo)，如表2所示。外文文摘數(shù)據(jù)庫評價指標(biāo)建立的原則與外文期刊全文數(shù)據(jù)庫一致，其主要目的是為了提高模型的泛化能力。泛化能力是機器學(xué)習(xí)模型真正實用性的重要指標(biāo)，如果模型無法適應(yīng)新數(shù)據(jù)集，那么它在實際應(yīng)用中的效果也將是不可靠的。因此，本研究設(shè)置外文文摘數(shù)據(jù)庫的評價指標(biāo)整理數(shù)據(jù)為測試集。

2.3 數(shù)據(jù)源確定

數(shù)據(jù)質(zhì)量是機器學(xué)習(xí)模型獲得較好訓(xùn)練效果和準(zhǔn)確結(jié)果的關(guān)鍵。電子資源評價指標(biāo)數(shù)據(jù)質(zhì)量主要體現(xiàn)在客觀數(shù)據(jù)的準(zhǔn)確性、主觀數(shù)據(jù)的權(quán)威性以及數(shù)據(jù)的易獲性三個方面。

本研究數(shù)據(jù)來源于DRAA網(wǎng)站單館統(tǒng)計報告和評價中心數(shù)據(jù)庫多項指標(biāo)評分。作為中國高校圖書館數(shù)字資源采購聯(lián)盟，DRAA在規(guī)范化建設(shè)方面卓有成效[5]。2013年，DRAA啟動電子資源利用與統(tǒng)計數(shù)據(jù)獲取協(xié)議（Standardized Usage Statistics HarvestingInitiative，SUSHI），自動收割在線電子資源使用統(tǒng)計（Counting Online Usage of Networked ElectronicResources，COUNTER）格式的電子資源使用統(tǒng)計數(shù)據(jù)，為成員館提供準(zhǔn)確的數(shù)據(jù)庫使用統(tǒng)計報告[]。由于2021年DRAA采購數(shù)據(jù)庫統(tǒng)計報告由COUNTER-4升級為COUNTER-5，導(dǎo)致2022年之前部分數(shù)據(jù)統(tǒng)計不全。

本研究選取2018—2023年外文期刊全文數(shù)據(jù)庫 ScienceDirect、Wiley、Springer、ACS、Nature、Science、AESC、PBSC單館統(tǒng)計數(shù)據(jù)作為數(shù)據(jù)集，從指標(biāo)體系中選取資源評價中“數(shù)據(jù)庫內(nèi)容與質(zhì)量評價\"指標(biāo)作為模型的Y值。將2018—2022年數(shù)據(jù)作為訓(xùn)練集，2023年數(shù)據(jù)作為測試集。為保證模型在新數(shù)據(jù)集上的泛化能力，選取外文文摘庫SCIE、SSCI、EI、Scopus以及科研工具類數(shù)據(jù)庫ESI、JCR、Incites構(gòu)建指標(biāo)體系。

3基于機器學(xué)習(xí)的電子資源評價模型構(gòu)建

3.1指標(biāo)變量重要性分析

在機器學(xué)習(xí)模型構(gòu)建任務(wù)中，指標(biāo)變量重要性分析是一個至關(guān)重要的預(yù)處理步驟，有助于提升模型的解釋性。在電子資源評價模型應(yīng)用當(dāng)中，本研究不僅需要模型做出準(zhǔn)確的預(yù)測，還需要能夠解釋模型是如何做出決策的。通過變量重要性排序與目標(biāo)變量相關(guān)性較高的特征，可以使模型更加專注于學(xué)習(xí)那些真正對預(yù)測結(jié)果有影響的因素，這不僅可以提高預(yù)測的準(zhǔn)確率，還可以使模型更加穩(wěn)健和可靠。

為了尋找與電子資源評價結(jié)果關(guān)系密切的特征，同時減少數(shù)據(jù)冗余，本研究采用基于隨機森林（RandomForests，RF）的機器學(xué)習(xí)方法完成指標(biāo)重要性分析。其過程如下：（1）對每一顆決策樹，選擇相應(yīng)的袋外數(shù)據(jù)（outofbag，OOB）計算袋外數(shù)據(jù)誤差，記為EOB1（袋外數(shù)據(jù)即每次建模時未利用的數(shù)據(jù)，類似于測試數(shù)據(jù)）；（2）隨機對袋外數(shù)據(jù)所有樣本的特征加入噪聲干擾，再次計算袋外數(shù)據(jù)誤差，記為EOB2。假設(shè)隨機森林中有N棵樹，則該特征的重要性 ：=Σ （EOB2-EOB1）/N。如果加入隨機噪聲后，袋外數(shù)據(jù)準(zhǔn)確率大幅度下降（即EOB2上升），說明這個特征對于樣本的預(yù)測結(jié)果有很大影響，該特征的重要程度很高。值得注意的是，在上述特征重要性分析的基礎(chǔ)上，RF模型可以進一步根據(jù)重要性排序進行指標(biāo)選擇[7]。

3.2機器學(xué)習(xí)模型分析與設(shè)計

本研究構(gòu)建模型旨在評價、預(yù)測高校電子資源績效。準(zhǔn)備好經(jīng)過特征重要性分析的數(shù)據(jù)集后，就需要選擇適合的算法和訓(xùn)練模型。本研究分別對支持向量機（SupportVetorMachine，SVM）K-最近鄰（K-NearestNeighbo，KNN）、Bagging（RF）、Boosting（XGBoost）、1D-CNN等多種模型進行訓(xùn)練、優(yōu)化和調(diào)參，并根據(jù)綜合表現(xiàn)選擇最優(yōu)模型。模型評價指標(biāo)包括決定系數(shù) （R²） 、平均絕對值誤差（MeanAbsoluteError，MAE）均方誤差（Mean-SquareError，MSE）。

決定系數(shù) R² 是量化模型擬合優(yōu)度的關(guān)鍵指標(biāo)[8，用于衡量模型能夠解釋的變異占總體變異的比例，計算公式為：

MAE是回歸模型評估中常用的一種誤差度量方式。它用于衡量預(yù)測模型在連續(xù)性數(shù)據(jù)上的預(yù)測精度，具體計算方式是預(yù)測值與真實值之間差的絕對值的平均數(shù)，計算公式為：

MSE是預(yù)測值與真實值之間差的平方的平均數(shù)，計算公式為：

R² 越接近1，表示模型擬合度越高，模型可解釋性越強。MAE在預(yù)測連續(xù)值時能較好地評估回歸模型性能。MSE對異常值敏感，如果模型在少數(shù)幾個點上預(yù)測得很差，那么MSE的值會顯著增大。

如前所述，電子資源評價是一個多層次復(fù)雜的問題，數(shù)據(jù)也是非線性關(guān)系數(shù)據(jù)。通過模型評估，本研究采用KNN算法。KNN算法是一種簡單但有效的監(jiān)督學(xué)習(xí)算法。它使用一組預(yù)測特征變量X將每個目標(biāo)變量與已知響應(yīng)變量Y值的若干個最相似的最近鄰參考變量K進行匹配。KNN算法中距離公式為：

其中， 為 F₁，F(xiàn)₂ 的歐氏距離， F₁=（f₁₁，f₁₂） …，f_ln） 和 F₂=（f₂₁，f₂₂，…，f_2n） 為兩個 Π_n 維特征向量， f_ij 表示樣本 F_i 的第j個特征值。KNN算法分類評分可解釋性不強，因此本文引入貝葉斯預(yù)處理方法，通過結(jié)合先驗信息和似然函數(shù)求解各類出現(xiàn)的概率進行重新分類[10]。設(shè) X=（x₁，x₂，…，x_n） 為樣本特征向量，則后驗概率公式為：

其中， P（X） 對應(yīng)樣本數(shù)據(jù)所有分類特征概率， 為條件概率， 為先驗概率。假定各個指標(biāo)類型分類取值彼此獨立，則有：

那么特征變量 X_n 屬于 C_i 的概率公式為：

式中 和 P（x_k|C_i） 可從原始數(shù)據(jù)集中得到。據(jù)此方法對未知樣本X通過計算選出其中概率最大的分類作為其所屬類別，再通過KNN網(wǎng)格參數(shù)尋優(yōu)，計算距離最小的 k 個距離，參數(shù)尋優(yōu)方法為：

'n_neighbors'：[3，5，7，9]，#近鄰個數(shù)

'weights'：['uniform'，'distance']，#權(quán)重：等權(quán)重或 距離權(quán)重

'metric'：['euclidean']，#距離度量：歐氏

文摘庫尋優(yōu)最佳參數(shù)設(shè)置：{'metric'：'manhattan'， 'n_neighbors'：5，'weights'：'uniform'}

全文庫尋優(yōu)最佳參數(shù)設(shè)置：{'metric'：'euclidean'，'n_neighbors'：5，'weights'：'uniform'}

基于貝葉斯預(yù)處理和KNN算法，本研究極大提高了預(yù)測的準(zhǔn)確性和魯棒性，具體建模概述為：分別整理外文期刊全文數(shù)據(jù)庫及外文文摘數(shù)據(jù)庫特征指標(biāo)數(shù)據(jù)集，對數(shù)據(jù)進行清洗和歸一化處理，確保距離計算中具有相同的尺度。將 80% 的數(shù)據(jù)作為訓(xùn)練集，20% 的數(shù)據(jù)作為測試集。確定Y值，按區(qū)間[0，0.40）、[0.40，0.65）、[0.65，0.90）、[0.90，1.00]分為“差、中、良、優(yōu)\"四類[1]。N維特征X對應(yīng)的目標(biāo)數(shù)值Y。用訓(xùn)練集數(shù)據(jù)訓(xùn)練模型，使模型學(xué)會特征變量與目標(biāo)變量間的關(guān)系，再用測試集數(shù)據(jù)計算預(yù)測值并評估模型性能，最后輸出回歸預(yù)測值。

4結(jié)果與分析

4.1特征變量重要性分析結(jié)果

特征變量重要性分析有助于理解機器學(xué)習(xí)模型在決策過程中，哪些指標(biāo)起到關(guān)鍵作用并對評價結(jié)果產(chǎn)生重要的影響。利用隨機森林通過訓(xùn)練模型來評估特征變量的重要性]，發(fā)現(xiàn)在沒有人為干預(yù)下，對外文期刊全文數(shù)據(jù)庫評價結(jié)果起到關(guān)鍵作用的一級指標(biāo)依次為資源成本、資源評價、資源質(zhì)量、資源利用。二級指標(biāo)重要性排序依次為檢索系統(tǒng)評價得分（0.1528）集團內(nèi)排名（0.1472）、年度單篇成本（0.1346）集團平均成本（0.0856）ESI核心期刊保障占比（0.0794）全國用戶數(shù)（0.0790）、全文下載量（0.0728）數(shù)據(jù)商服務(wù)評價（0.0596、數(shù)據(jù)庫采購費用（0.0416）、年度漲幅（0.0396）、購買價格及方式評價（0.0352）JCR核心期刊保障占比（0.0256）本校發(fā)文引用量（0.0218）本校發(fā)文數(shù)量（0.0128）、本校發(fā)文期刊種數(shù)（0.0111）、期刊數(shù)量（0.0104）。

對外文文摘數(shù)據(jù)庫模型特征變量重要性進行分析，發(fā)現(xiàn)對外文文摘數(shù)據(jù)庫評價結(jié)果起到關(guān)鍵作用的一級特征指標(biāo)依次為資源評價、資源質(zhì)量、資源利用、資源成本。二級指標(biāo)重要性排序依次為數(shù)據(jù)商服務(wù)評價（0.2052）、檢索系統(tǒng)評價得分（0.1989）、購買價格及方式評價（0.1542）集團平均成本（0.1031）、檢索量（0.0557）、全國用戶數(shù)（0.0521）、訪問量（0.0510）本館集團內(nèi)排名（0.0427）、本校檢索成本（0.0396）本校訪問成本（0.0365）、年度漲幅（0.0338）、數(shù)據(jù)庫采購費用（0.0229）。

總體而言，高校圖書館采購電子資源時較為關(guān)注的就是資源成本，外文期刊全文數(shù)據(jù)庫的指標(biāo)重要性排序與高校圖書館數(shù)據(jù)庫采購決策邏輯較為一致。但外文文摘數(shù)據(jù)庫的指標(biāo)重要性排序中，資源成本排在指標(biāo)最末，資源評價居于首位。究其原因，本研究選取的外文文摘數(shù)據(jù)庫均為高校常用的引文數(shù)據(jù)庫，能夠為研究人員、科研機構(gòu)、學(xué)校發(fā)展政策制定提供多種研究工具，而各高校資源成本差異與其圖書館學(xué)科服務(wù)模式、服務(wù)定位等多因素相關(guān)，在采購決策中，要著重考慮該數(shù)據(jù)庫定位、集體利用情況和取得的成效，不能單純地考慮本校使用成本。因此，機器學(xué)習(xí)模型篩選得到的特征指標(biāo)重要性排序更加客觀、合理。

4.2 模型比較

為了使電子資源評價、預(yù)測工作能夠更清晰、更準(zhǔn)確地作出數(shù)據(jù)驅(qū)動的決策，對不同算法（包括單分類器、集成學(xué)習(xí)模型和深度學(xué)習(xí)模型）進行了比較，模型比較結(jié)果如表3所示。

通過比較 SVM、KNN、Bagging（RF）、Boosting（XGBoost）、1D-CNN五種算法在相同數(shù)據(jù)集上的綜合表現(xiàn)，發(fā)現(xiàn)單分類器KNN算法模型在 R² 、MAE、MSE上表現(xiàn)更加出色。本研究存在樣本量小、特征維度低、數(shù)據(jù)無明確結(jié)構(gòu)的問題，可用的訓(xùn)練數(shù)據(jù)十分有限。SVM、RF、XGBoost、1D-CNN需要大量訓(xùn)練數(shù)據(jù)，其性能可能因為缺乏足夠的數(shù)據(jù)支持而大幅下降。KNN算法利用其“懶惰學(xué)習(xí)”的特性，在預(yù)測階段才進行模型的“學(xué)習(xí)”，有效地解決了小樣本機器學(xué)習(xí)問題，可以直接通過訓(xùn)練數(shù)據(jù)集來判斷新樣本的類別并利用所有訓(xùn)練數(shù)據(jù)進行決策。

4.3新數(shù)據(jù)集回歸預(yù)測

KNN以一個數(shù)據(jù)點的最鄰近鄰居進行預(yù)測，不需要對數(shù)據(jù)進行顯式建模，也不會得到一個方程，但基于數(shù)據(jù)本身就能很好地作出預(yù)測，非常適合于復(fù)雜的非線性數(shù)據(jù)。在對數(shù)據(jù)集進行平衡處理的基礎(chǔ)上，調(diào)整參數(shù)后的KNN模型對外文期刊全文數(shù)據(jù)庫回歸預(yù)測具有較高的準(zhǔn)確率。為保證模型泛化性和可應(yīng)用性，用外文文摘數(shù)據(jù)庫數(shù)據(jù)集作為新數(shù)據(jù)。為保證特征變量數(shù)量相同，將外文期刊全文數(shù)據(jù)庫特征重要性排序后四項作為補充數(shù)據(jù)進行平滑處理。外文文摘數(shù)據(jù)庫預(yù)測評價結(jié)果如表4所示。

通過表4可以看出，預(yù)測值與目標(biāo)值之間存在一定的誤差，但誤差率大多保持在較低水平，除ESI誤差率達到 13.6% 外，其余數(shù)據(jù)庫的誤差率均低于10% 。其中4項預(yù)測值高于目標(biāo)值，3項低于目標(biāo)值。SCIE、SSCI、EI、Scopus文摘索引庫預(yù)測誤差率小于ESI、JCR、InCites科研工具類數(shù)據(jù)庫。預(yù)測結(jié)果的評價等級與實際評價等級保持一致。上述數(shù)據(jù)分析表明訓(xùn)練調(diào)參后的KNN算法機器學(xué)習(xí)模型具有較高的準(zhǔn)確性和良好的泛化性。

5結(jié)語

基于上述外文電子資源評價模型的實證研究，探索應(yīng)用機器學(xué)習(xí)算法構(gòu)建模型方法，對外文電子資源進行學(xué)習(xí)、評估和預(yù)測，得到的預(yù)測結(jié)果與傳統(tǒng)回歸建模或者統(tǒng)計分析方法相比更加準(zhǔn)確和高效。首先，運用定量和定性研究方法全面評估電子資源績效非常困難，因為收集數(shù)據(jù)與調(diào)查評價數(shù)據(jù)相互之間存在非線性關(guān)系，傳統(tǒng)回歸分析很難實現(xiàn)。而機器學(xué)習(xí)是基于數(shù)據(jù)本身訓(xùn)練學(xué)習(xí)發(fā)現(xiàn)數(shù)據(jù)之間的規(guī)律，不需要建立復(fù)雜的顯式數(shù)學(xué)模型就能得到準(zhǔn)確的預(yù)測結(jié)果。其次，在電子資源評價實際工作中，需收集各類指標(biāo)數(shù)據(jù)，但要識別哪些指標(biāo)對評價結(jié)果產(chǎn)生顯著影響卻很難。機器學(xué)習(xí)中的特征篩選可以對所有指標(biāo)類型進行重要性排序，從而幫助我們選擇對評價結(jié)果有顯著影響的特征。最后，電子資源評價各類指標(biāo)數(shù)據(jù)均有不同的量綱和取值范圍，這些指標(biāo)之間的尺度差異會對評價結(jié)果計算造成困擾。機器學(xué)習(xí)數(shù)據(jù)歸一化處理可以使數(shù)據(jù)在統(tǒng)一的尺度上進行比較和計算，算法可以公平地對待每個特征，從而避免某些特征因尺度過大而占據(jù)主導(dǎo)地位。

機器學(xué)習(xí)KNN算法模型在圖書館電子資源評價這類小樣本數(shù)據(jù)集評估工作中表現(xiàn)優(yōu)異，但本研究也存在不足之處。不同高校圖書館在服務(wù)保障定位、讀者需求等方面可能存在較大的差異，數(shù)據(jù)集僅選取一所高校圖書館的外文電子資源作為調(diào)查對象，沒有涉及其他高校圖書館數(shù)據(jù)，這可能會影響模型的廣泛適用性。在未來的研究中，可以收集更多高校圖書館相關(guān)數(shù)據(jù)以提高機器學(xué)習(xí)模型在電子資源評價中的普適性，為圖書館優(yōu)化資源配置和提升讀者服務(wù)水平提供科學(xué)依據(jù)。

參考文獻：

[1］圖書館·情報與文獻學(xué)名詞審定委員會.圖書館·情報與文獻學(xué)名詞[M].北京：科學(xué)出版社，2023：95.

[2］陳英.基于組合賦權(quán)-TOPSIS法的高校圖書館數(shù)字資源服務(wù)績效評價[J].圖書情報工作，2020，64（2）：59-67.DOI：10.13266/j.issn.0252-3116.2020.02.007.

[3]劉爽.高校圖書館電子資源績效評價指標(biāo)體系構(gòu)建研究[J].情報探索，2017（4）：6-10.

[4］肖瓏，章琳.引進數(shù)據(jù)庫的發(fā)展趨勢與價格成本策略[J].大學(xué)圖書館學(xué)報，2015，33（1）：5-13，20.

[5］趙艷，王超，王譯晗，等.后疫情時代的學(xué)術(shù)圖書館數(shù)字資源引進：現(xiàn)狀、措施與策略[J].圖書館學(xué)研究，2022（1）：49-57.DOI：10.15941/j.cnki.issn1001-0424.2022.01.006.

[6]姚曉霞，劉娟娟.DRAA集團采購規(guī)范化建設(shè)及其成效[J].大學(xué)圖書館學(xué)報，2023，41（5）：33-40，48.DOI：10.16603/j.issn1002-1027.2023.05.005.

[7]馬野.基于深度學(xué)習(xí)的多尺度森林地上生物量估測及不確定性分析[D].：東北林業(yè)大學(xué)，2024.DOI：10.27009/d.cnki.gdblu.2024.000127.

[8]孫道宗，張振宇，陳俊聰，等.一種基于深度學(xué)習(xí)的端到端生菜無損鮮重估測模型的建立［J].南京農(nóng)業(yè)大學(xué)學(xué)報，2024，47（6）：1212-1220.

[9]MOUNTRAKISG，IMJ，OGOLE C.Support vector machinesinremote sensing：A review[J].ISPRSJournalofPhotogrammetryandRemoteSensing，2011，66（3）：247-259.

[10]朱虹，李千目，戚.一種基于改進最近鄰算法的忠誠度預(yù)測方法[J].南京理工大學(xué)學(xué)報，2017，41（4）：448-453.DOI：10.14177/j.cnki.32-1397n.2017.41.04.008.

[11]李琳琳.基于模糊層次分析法的高校圖書館數(shù)字資源質(zhì)量評價實證研究[J].圖書館學(xué)刊，2013，35（1）：28-30.DOI：10.14037/j.cnki.tsgxk.2013.01.015.

[12]CHENT，GUESTRINC.XGBoost：A scalable treeboostingsystemC/KDD'16：Proceedingsofthe22ndACMSIGKDDInternational Conferenceon Knowledge DiscoveryandData Mining.SanFrancisco，CA，USA：Asociation for ComputingMachinery，2016：785-794.