基于bp神经网络的高职院校图书馆读者满意度测评研究

《基于bp神经网络的高职院校图书馆读者满意度测评研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于BP神经网络的高职院校图书馆读者满意度测评研究摘要：在ACSI的基础上建立了读者满意度指标体系，通过调查问卷的方式对某高职院校图书馆的读者满意度进行了调研，在对问卷的分析处理的基础上建立了基于BP神经网络的高职院校图书馆读者满意度评价模型，并用R语言对样本数据进行学习和训练，为高职院校读者满意度测评提供了一种较为有效和实用的方法。关键词：读者满意度BP神经网络R语言中图分类号：G258文献标识码：A文章编号：1003-9082(2017)04-0023-02高职院校图书馆要承担高职院校教学、科研和向广

2、大师生提供信息服务的重任。图书馆提供服务的质量的优劣程度会直接影响到职业教育的效果。评价服务质量的方法之一就是建立一套完善的图书馆读者满意度测评体系。所谓的读者满意度就是读者通过使用图书馆得意实现阅读欲望和获取知识信息的完善程度。客户的满意度来源于客户的评价，但这一的评价无法直接进行观测或计量。文献［1］指出，美国学者DanutaNitecki最先将SERVQUAL应用到图书馆的服务质量评价研宄。文献［2-4］将结构方程模型的方法应用到图书馆读者满意度是测评当中，并在客户满意度指数模型的基础上提出了图书馆

3、读者满意度指数。文献［5］在建立BP神经网络的基础上分析了超市顾客满意度和各个结构变量之间的关系，得出了影响满意度的各指标因素的排序。本文参考ACSI的评价指标体系并结合高?院校的特点，提出了基于BP神经网络的高职院校图书馆读者满意度测评模型。通过某高职院校图书馆的调研数据验证了模型的有效性和实用性。一、原理与方法BP神经网络是一种按误差逆传播算法训练的多层前馈网络，其学习算法是学习规则（误差校正学习算法），算法的特征是利用输出后的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此一

4、层一层的反向传播下去，就获得了所有其他各层的误差估计［6］。这里我们以典型的三层BP网络为例，如图1所示的是一个有三个输入点，4个隐层节点和一个输出节点的一个三层BP神经网络。正向传播时，输入信号经过隐层的处理后，传向输出层。若输出层节点未能得到期望的输出，则转入误差的逆向传播阶段，将输出误差按某种子形式通过隐层向输入层返回，并分给隐层的4个节点和输入层的三个输入节点，从而获得各层单元的参考误差，作为修改各单元权值的依据。当然，最开始的权值是随机给予的-1到1的随机数。通过权值的不断修改，误差逐渐减少到可

5、以接受的范围或者达到了设定的训练（运行）次数为止。二、实证分析1.评价指标要科学地对读者满意度进行测评，必须有一套适合高职院校图书馆的评价指标体系。本文根据文献[3]的模型，共设置满意度评价指标11个:A馆藏资源（图书种类A1、图书总量A2、期刊种类A3）;B图书馆服务（流通服务B1、资料查找B2、阅览座位B3）;C图书馆环境（资源部局C1、环境舒适性C2、开放时间C3）；D工作人员（服务态度D1、服务效率D2）。因变量指标为：E总体满意度（总体满意度E1，与期望相比E2，图书馆对个人发展的影响E3）2.

6、建立模型设置满意度评价指标是11个，即输入节点数为11个。输出层的输出结果为读者满意度所处的等级，分为非常满意、满意、一般满意、不满意、非常不满意五个等级，结果比为其中之一，所以输出层节点数为1个。对于隐层节点数的选择，目前没有一个标准的确定方法，通常按照如下经验公式来确定其中，为输入层节点数，为输出层节点数，为1到10之间的常数。通过多次的比较，我们选取的隐层节点数为12个。1.数据采集与分析本次研究通过发放纸质问卷的形式对在校学生进行调查。共发放100份问卷，有效回收100份，有效率100%。得出数据

7、样本后，我们将原始数据样本(专家样本)随机选取80%作为训练样本，剩下的20%作为测试样本。分析语言为R语言3.3.2版本，分析工具为开源免费的RStudiol.0.44。在R语言中，BP神经网络作为一种常用的分类预测算法之一是通过nnet程序包中的nnet()函数来实现的。3.1数据划分对专家样本随机选取20%作为测试样本，剩下的80%作为训练样本。3.2神经网络训练样本建模的混淆矩阵如表1所示，分类准确率为96.2%,将一次真实值为“一般满意”判断为“满意”；两次“不满意”判断为“一般满意”。构建神经

8、网络模型的代码见附录代码清单2。测试样本建模的混淆矩阵如表2所示，分类准确率为75%。出现五次误判：将两次真实值为“满意”判断为“非常满意”;将一次真实值为“一般满意”预测为“满意”；一次将真实值为“满意”预测为“一般满意”；一次将真实值为“一般满意”预测为“不满意”。三、结论以上数据，均通过R3.3.2计算得到。对于训练样本，如上的模型分类准确率达到90%以上，对于测试样本的分类准确率达到了80%。用BP神经网络算法进行分类