论文部分内容阅读
摘要：该文通过与学校网络中心及教务处联系，对学校图书馆数据库与教务管理系统数据库进行对接。利用数据挖掘的常用算法BP神经网络算法，抽取图书馆数据库中学生的借阅数据和教务管理数据库中学生成绩数据进行分析。对学院陶瓷艺术设计专业400多名学生，在校期间20多门主干课程的成绩与图书借阅相结合，利用BP神经网络算法找出陶瓷艺术设计专业学生在校期间图书借阅行为和学习成绩之间的关系，并建立了学习预警机制，进而为提高图书馆的读者服务、学生的学习效果、学校的教学管理，提供一些参考性的建议。
关键词：神经网络；图书借阅；学生成绩；预警机制
中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2017）36-0157-02
1 实验数据
通过对原数据库的分析，该数据库不能直接运用SPSS Clementine进行挖掘。对图书馆的数据库中的数据和教务管理系统数据库中的数据进行联合操作，用SQL语言对读者信息表、文献信息表、条码表、流通信息表、学生成绩表进行操作。如图1通过SQL查询分析器查询所需要的记录，为分析图书馆中图书的借阅情况、学生成绩情况，运用数据库的视图功能建立虚拟表。
通过分析，发现数据库视图表中还存在一些问题，如果这些数据直接用于数据挖掘将对结果产生较大的影响。记录中存在读者借阅图书重复的信息，某条记录存在字段信息不全。鉴于以上问题，需要对数据进行预处理，以保证信息的准确性，删除重复、信息不全的记录，如表1所示为学生成绩的图书馆借阅表的部分信息。
2 神经网络算法
神经网络的全称Artificial Neural Network，简称ANN。神经网络系统是在1943年心理学家McCulloch和数学家Pitts提出的神经元生物学模型（简称M-P模型），已经有70多年的历史了。神经网络是由大量的处理单元（神经元）互相连接而成的网络。为了模拟大脑的基本特性，在神经科学研究的基础上，提出了神经网络的模型。根据连接方式不同，神经网络的神经元之间的连接有前向网络、有反馈的前向网络、层内有互相结合的前向网络、相互结合型网络几种形式。BP网络是一种单向传播的多层前向网络， BP网络具有三层或三层以上的神经网络，包括输入层、中间层（隐含层）和输出层。上下层之间实现全连接，每层神经元之间无连接。当一对学习样本提供给网络后，神经元的刺激活值从输入层经各隐含层向输出层传播，在输出层的各神经元获得网络的输入响应。接下来，按照减少目标输出与实际误差的方向，从输出层经过各中间层逐层修正各连接权值，最后回到输入层，这种算法称为“误差逆向传播算法”。所以，BP算法是随着这种误差逆的传播修正不断进行，网络对输入模式响应的正确率不断上升。
3 实验过程
通过上述两个算法分析，充分说明成绩等级与图书借阅行为高度相关。那么我们可以根据学习成绩和借阅量建立一个学习预警机制，如果学生的学习成绩较好，而他在图书馆的借阅量又非常低，那么自动触发预警机制。对此类学生进行详细查询，图书借阅量，专业课书籍借阅量数据，平时课堂表现，课后自学情况等分析，此类学生成绩是否真实等。
利用BP神经网络算法构建模型，对准备好的数据进行挖掘，对数据源的各个字段类型进行合适的设置。考虑到学生专业学习成绩和图书借阅量有一定的联系，那么可以通过学生的学习成绩来预测图书的借阅量。把陶瓷设计专业的学生的18门课程：设计素描、设计色彩、装饰设计基础、国画山水、陶瓷产品造型设计与制作1、花鸟人物、设计美学、书法、装饰雕塑、贴花纸设计制作、陶瓷彩绘装饰等课程成绩作为输入项，借阅量作为输出量。如图2、图3所示。
训练样本共349人，本学年陶瓷专业所有课程成绩作为输入层，共计18个神经元，隐藏层有3个神经元，输出层有1个神经元。建立BP神经网络模型，预测人数为88人，假设他们的借阅量是未知的，预测结果如图4，准确率为90.479%。其中红色折线为未知预测借阅量，蓝色为实际借阅量，预测的相对误差平均值为1.88%，准确率非常高。
利用神经网络建立学生学习成绩与图书借阅行为预警机制。如图5所示，输入课程成绩，利用建立好的网络模型预测学生借阅量，如果预测值与真实借阅量的差值在10以内则说明正常，如果差值超过10，则开始预警，表示学生的学习成绩与通常情况下图书借阅量不符。认真分析查找原因，首先查询学生的详细借阅记录，看是否借阅过多非专业图书而分散学习精力；其次，与学工处及辅导员联动查看该学生平时学习表现，或者是否参加课外补习和其他兼职活动等，可以与辅导员或者学生本人进行沟通，找出原因，提醒学生学习的方式方法，为学生更好而全面发展出谋划策。总之，预警机制的建立为图书馆与学生学习效果之间建立了一座桥梁，为丰富学生的第二课堂产生了积极的影响。
4 结论
本文从图书馆数据库中的借阅行为记录出发，与教务处学生成绩数据相结合，通过建立一些典型的模型来证明图书借阅行为与成绩等级高度相关，并得出了一些有趣的结论。利用神经网络BP算法建立训练样本349人，预测人数为88人，准确率为90.479%，预测的相对误差平均值为1.88%，准确率较高。通过课程成绩来较准确的预测学生的图书借阅量，并在此基础上建立了学习预警机制，提醒学生尤其是学习成绩偏低的学生在学习过程中注意学习方式、方法。
参考文献：
[1] Hu Peng，Song Xiaoquan.On PSO based BP neural network[C]//2nd International Conference on Precision Mechanical Instruments and Measurement Technology，Chongqing，China，2014：2413-2416.
[2] Liu Guiling，Gao Feng.PSO-BP combined artificial neural network method research[C]//3rd International Conference on Civil Engineering，Architecture and Building Materials，Jinan，China，2013：3537-3540.
[3] Wang H S，Wang Y N，Wang Y C. Cost Estimation of Plastic Injection Molding Partsthrough Integration of PSO and BP Neural Network[J].Expert Systems with Applications，2013，40（8）：418-428.
[4] 楊新涯，袁辉，等.高校学生成绩与借阅行为关系的初步研究——以重庆大学为例[J].数字图书馆论坛，2013（9）.
[5] 蓝石.社会科学定量研究的变量类型、方法选择及范例解析[M].重庆大学出版社，2011.
[6] 黄斯达.基于图书馆借书信息的学生成绩挖掘模型研究[J].现代计算机，2008（10）.
[7] 唐海萍.基于数据挖掘技术在图书馆管理模式[J].现代情报，2008（9）：109-110
[8] 于徽.数据挖掘技术及其在图书馆的应用[J].黑龙江科技信息，2008（9）：97-98
[9] 臧卫华.数据挖掘技术在高校图书馆中的应用研究[J].现代情报，2008（3）：38-39.
关键词：神经网络；图书借阅；学生成绩；预警机制
中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2017）36-0157-02
1 实验数据
通过对原数据库的分析，该数据库不能直接运用SPSS Clementine进行挖掘。对图书馆的数据库中的数据和教务管理系统数据库中的数据进行联合操作，用SQL语言对读者信息表、文献信息表、条码表、流通信息表、学生成绩表进行操作。如图1通过SQL查询分析器查询所需要的记录，为分析图书馆中图书的借阅情况、学生成绩情况，运用数据库的视图功能建立虚拟表。
通过分析，发现数据库视图表中还存在一些问题，如果这些数据直接用于数据挖掘将对结果产生较大的影响。记录中存在读者借阅图书重复的信息，某条记录存在字段信息不全。鉴于以上问题，需要对数据进行预处理，以保证信息的准确性，删除重复、信息不全的记录，如表1所示为学生成绩的图书馆借阅表的部分信息。
2 神经网络算法
神经网络的全称Artificial Neural Network，简称ANN。神经网络系统是在1943年心理学家McCulloch和数学家Pitts提出的神经元生物学模型（简称M-P模型），已经有70多年的历史了。神经网络是由大量的处理单元（神经元）互相连接而成的网络。为了模拟大脑的基本特性，在神经科学研究的基础上，提出了神经网络的模型。根据连接方式不同，神经网络的神经元之间的连接有前向网络、有反馈的前向网络、层内有互相结合的前向网络、相互结合型网络几种形式。BP网络是一种单向传播的多层前向网络， BP网络具有三层或三层以上的神经网络，包括输入层、中间层（隐含层）和输出层。上下层之间实现全连接，每层神经元之间无连接。当一对学习样本提供给网络后，神经元的刺激活值从输入层经各隐含层向输出层传播，在输出层的各神经元获得网络的输入响应。接下来，按照减少目标输出与实际误差的方向，从输出层经过各中间层逐层修正各连接权值，最后回到输入层，这种算法称为“误差逆向传播算法”。所以，BP算法是随着这种误差逆的传播修正不断进行，网络对输入模式响应的正确率不断上升。
3 实验过程
通过上述两个算法分析，充分说明成绩等级与图书借阅行为高度相关。那么我们可以根据学习成绩和借阅量建立一个学习预警机制，如果学生的学习成绩较好，而他在图书馆的借阅量又非常低，那么自动触发预警机制。对此类学生进行详细查询，图书借阅量，专业课书籍借阅量数据，平时课堂表现，课后自学情况等分析，此类学生成绩是否真实等。
利用BP神经网络算法构建模型，对准备好的数据进行挖掘，对数据源的各个字段类型进行合适的设置。考虑到学生专业学习成绩和图书借阅量有一定的联系，那么可以通过学生的学习成绩来预测图书的借阅量。把陶瓷设计专业的学生的18门课程：设计素描、设计色彩、装饰设计基础、国画山水、陶瓷产品造型设计与制作1、花鸟人物、设计美学、书法、装饰雕塑、贴花纸设计制作、陶瓷彩绘装饰等课程成绩作为输入项，借阅量作为输出量。如图2、图3所示。
训练样本共349人，本学年陶瓷专业所有课程成绩作为输入层，共计18个神经元，隐藏层有3个神经元，输出层有1个神经元。建立BP神经网络模型，预测人数为88人，假设他们的借阅量是未知的，预测结果如图4，准确率为90.479%。其中红色折线为未知预测借阅量，蓝色为实际借阅量，预测的相对误差平均值为1.88%，准确率非常高。
利用神经网络建立学生学习成绩与图书借阅行为预警机制。如图5所示，输入课程成绩，利用建立好的网络模型预测学生借阅量，如果预测值与真实借阅量的差值在10以内则说明正常，如果差值超过10，则开始预警，表示学生的学习成绩与通常情况下图书借阅量不符。认真分析查找原因，首先查询学生的详细借阅记录，看是否借阅过多非专业图书而分散学习精力；其次，与学工处及辅导员联动查看该学生平时学习表现，或者是否参加课外补习和其他兼职活动等，可以与辅导员或者学生本人进行沟通，找出原因，提醒学生学习的方式方法，为学生更好而全面发展出谋划策。总之，预警机制的建立为图书馆与学生学习效果之间建立了一座桥梁，为丰富学生的第二课堂产生了积极的影响。
4 结论
本文从图书馆数据库中的借阅行为记录出发，与教务处学生成绩数据相结合，通过建立一些典型的模型来证明图书借阅行为与成绩等级高度相关，并得出了一些有趣的结论。利用神经网络BP算法建立训练样本349人，预测人数为88人，准确率为90.479%，预测的相对误差平均值为1.88%，准确率较高。通过课程成绩来较准确的预测学生的图书借阅量，并在此基础上建立了学习预警机制，提醒学生尤其是学习成绩偏低的学生在学习过程中注意学习方式、方法。
参考文献：
[1] Hu Peng，Song Xiaoquan.On PSO based BP neural network[C]//2nd International Conference on Precision Mechanical Instruments and Measurement Technology，Chongqing，China，2014：2413-2416.
[2] Liu Guiling，Gao Feng.PSO-BP combined artificial neural network method research[C]//3rd International Conference on Civil Engineering，Architecture and Building Materials，Jinan，China，2013：3537-3540.
[3] Wang H S，Wang Y N，Wang Y C. Cost Estimation of Plastic Injection Molding Partsthrough Integration of PSO and BP Neural Network[J].Expert Systems with Applications，2013，40（8）：418-428.
[4] 楊新涯，袁辉，等.高校学生成绩与借阅行为关系的初步研究——以重庆大学为例[J].数字图书馆论坛，2013（9）.
[5] 蓝石.社会科学定量研究的变量类型、方法选择及范例解析[M].重庆大学出版社，2011.
[6] 黄斯达.基于图书馆借书信息的学生成绩挖掘模型研究[J].现代计算机，2008（10）.
[7] 唐海萍.基于数据挖掘技术在图书馆管理模式[J].现代情报，2008（9）：109-110
[8] 于徽.数据挖掘技术及其在图书馆的应用[J].黑龙江科技信息，2008（9）：97-98
[9] 臧卫华.数据挖掘技术在高校图书馆中的应用研究[J].现代情报，2008（3）：38-39.