吳君才，劉雪芳

(1.景德鎮(zhèn)學院圖書館，江西 景德鎮(zhèn) 333000; 2.景德鎮(zhèn)學院現(xiàn)代教育技術中心，江西 景德鎮(zhèn) 333000)

0 引 言

隨著大數(shù)據(jù)、云計算、人工智能技術等在高校圖書館應用，高校圖書館的數(shù)字資源管理手段越來越先進。同時圖書館的數(shù)字資源也變得非常豐富，數(shù)字資源合理配置一直是圖書館數(shù)字資源建設中重要的研究課題之一。但是高校圖書館數(shù)字資源合理配置仍然存在效率低和合理性差等一些問題。

云計算技術能為廣大讀者提供一種共享閱讀模式，云平臺能夠聚集海量的數(shù)字資源，實現(xiàn)圖書館數(shù)字資源大聯(lián)盟和大共享，提高資源利用效率。

秦紅軍[1]采用基于粒子群算法的云平臺下數(shù)字圖書館資源合理配置方法，利用數(shù)字圖書館資源節(jié)點的總度數(shù)和連接度來分析相連節(jié)點的概率，并通過聚類函數(shù)計算資源配置總流程時間和數(shù)字圖書館全部資源節(jié)點的平均值，分析資源配置的質(zhì)量指標，然后建立資源配置模型，計算數(shù)字圖書館資源配置的適應度值；資源消耗量可以通過計算資源配置速度向量得出，采用迭代次數(shù)計算資源配置的模塊數(shù)量。但該方法合理性差且有效性低。

叢慧等[2]采用蟻群算法對圖書館數(shù)字資源進行合理配置，首先對圖書館數(shù)字資源構建資源配置結構模型；其次，通過計算資源配置的樣本信息，從樣本信息中得到資源樣本數(shù)；最后數(shù)字圖書館資源配置的成功率可以運用蟻群算法計算得出，從而可得到圖書館數(shù)字資源合理配置。但此方法對資源配置的合理性差、可信度低。

上述幾種圖書館資源配置方法都存在可信度低、有效性低和合理性差等一些問題，本文提出一種基于云計算平臺下的深度信念網(wǎng)絡的圖書館資源配置方法。

本文對圖書館資源進行合理配置時，利用云計算技術搭建圖書館數(shù)字資源配置云平臺。采用深度信念網(wǎng)絡對數(shù)字圖書館資源節(jié)點的可信度進行學習，對數(shù)字圖書館資源的資源節(jié)點的權值和資源樣本數(shù)進行計算，并提取出相關的特征來分析判斷。建立云平臺資源配置模型，通過深度信念網(wǎng)絡特征提取得到資源配置優(yōu)化的參數(shù)，最后進行資源配置以達到合理配置資源。

1 相關基礎

1.1 云計算技術

云計算技術為圖書館資源配置提供海量的存儲環(huán)境以及強大的數(shù)據(jù)計算能力。云計算技術能夠為圖書館資源合理配置提供數(shù)字資源的儲存、計算以及網(wǎng)絡管理等技術，也給數(shù)字圖書館帶來效益，為讀者提供更好的閱讀服務，所以應當提高資源的合理配置效率[3-8]。

云計算技術是一種并行處理技術，有效地解決了單機運行速度慢的瓶頸問題，主要由物聯(lián)網(wǎng)技術、大數(shù)據(jù)處理技術、分布式技術等集結而成；通過將一個大規(guī)模問題劃分為Map和Reduce模塊，構成Map/Reduce工作框架，有效地解決大規(guī)模數(shù)據(jù)處理問題[9-11]。

1.2 深度信念網(wǎng)絡

深度學習基于層數(shù)較多的大規(guī)模神經(jīng)網(wǎng)絡，云存儲的數(shù)據(jù)存儲方式為深度學習提供了大數(shù)據(jù)存儲的條件[12-13]。只有這樣大數(shù)據(jù)存儲才能實現(xiàn)非常復雜的非線性多分類映射關系，更好地實現(xiàn)智能分析和推斷決策，表現(xiàn)出一定的智能特征。為了獲得資源配置的數(shù)據(jù)特征，本文引入深度信念網(wǎng)絡(Deep Belief Network,DBN)，并進行數(shù)字資源的合理配置。

深度信念網(wǎng)絡是通過預訓練和調(diào)優(yōu)這2個關鍵環(huán)節(jié)來實現(xiàn)深度神經(jīng)網(wǎng)絡訓練的。深度信念網(wǎng)絡結構是經(jīng)典的神經(jīng)網(wǎng)絡結構。DBN由多個受限玻爾茲曼機(Restricted Boltzmann Machine,RBM)堆疊而成，訓練過程由預訓練和微調(diào)構成[14-18]。

深度信念網(wǎng)絡可以看作是由一層層的受限玻爾茲曼機堆疊而成的，它取消同層神經(jīng)元之間的互聯(lián)，只保留顯見神經(jīng)元與隱見神經(jīng)元之間的雙向連接。而深度信念網(wǎng)絡的預訓練，通常采用的是逐層貪心法的訓練辦法。先訓練最靠近可見層的一層隱層，得到最優(yōu)解后，再將該隱層的輸出作為下一層的訓練集數(shù)據(jù)，用于訓練下一個隱層。深度信念網(wǎng)絡結構如圖1所示。

圖1 深度信念網(wǎng)絡結構

受限玻爾茲曼機是一個概率神經(jīng)網(wǎng)絡模型，其中一個神經(jīng)元的輸出或者為0，或者為1，但其為1的概率分布符合Sigmoid函數(shù)形式。本文采用Sigmoid函數(shù)，即：

其中，u為一個神經(jīng)元所有輸入的加權和再減去偏置量θ。因此，對于受限玻爾茲曼機的一個隱見神經(jīng)元，它的輸出為在所有顯見神經(jīng)元輸出下的條件概率：

由于受限玻爾茲曼機是一個多層雙向連接的網(wǎng)絡，所以顯見神經(jīng)元的輸出，也可以用所有隱見神經(jīng)元輸出下的條件概率來表示，即：

2 數(shù)字資源配置云平臺搭建

本文搭建一個由80個節(jié)點構成的資源配置云平臺，該平臺可以較好地分析基于云計算和深度信念網(wǎng)絡的數(shù)字資源配置建模，通過這個平臺可以更好地分析資源配置方法的合理性和有效性。云平臺結構如圖2所示。

圖2 數(shù)字資源配置云平臺

3 基于云計算和深度信念網(wǎng)絡的數(shù)字資源配置

3.1 深度信念網(wǎng)絡的訓練

首先使用無監(jiān)督學習模式，逐層對網(wǎng)絡進行預訓練。主要是用大量的數(shù)據(jù)來對每一層的RBM網(wǎng)絡進行訓練，使得網(wǎng)絡能夠發(fā)現(xiàn)原始數(shù)據(jù)本身中蘊含的特征概率分布結構，即將各神經(jīng)元的權值引導到對訓練集數(shù)據(jù)具有最佳特征發(fā)現(xiàn)能力的初始值上。這一步是深度信念網(wǎng)絡最主要的訓練過程，本文所采用的是“對比散度法”的概率學習算法。

在預訓練完成后，需要對網(wǎng)絡參數(shù)進行調(diào)優(yōu)。調(diào)優(yōu)可以繼續(xù)采用無監(jiān)督的“wake-sleep”算法，這樣得到的模型是一個能夠重現(xiàn)訓練集樣本數(shù)據(jù)的“生成模型”；反饋調(diào)整階段是人們常說的第2階段，RBM輸出的特征向量通過最外層的BP神經(jīng)網(wǎng)絡進行接收，根據(jù)誤差信息，對整個網(wǎng)絡的參數(shù)通過有監(jiān)督地反向進行調(diào)節(jié)。

對比散度學習算法的具體步驟如下：

步驟1將訓練集樣本的數(shù)據(jù)作為顯見層的初始數(shù)據(jù)，設定2層神經(jīng)網(wǎng)絡的初始參數(shù)，包括權值矩陣W和偏置量向量b、c；迭代步數(shù)t=0。

步驟2利用第t步的顯見層v的狀態(tài)數(shù)據(jù)v(t)，計算隱見層h的第t步的輸出概率分布P(hj(t)=1|v(t))，再通過吉布斯采樣將其轉(zhuǎn)換為h的具體輸出狀態(tài)h(t)。

步驟3利用步驟2得到的h(t)，重構出第t+1步的v(t+1)的輸出概率分布P(vi(t+1)=1|h(t))，同樣通過吉布斯采樣將其轉(zhuǎn)換為具體的輸出狀態(tài)v(t+1)。

步驟4t=t+1，重復k次步驟2與步驟3，因此稱為CD-k算法。

步驟5利用t+1時刻的顯見層v的狀態(tài)，計算t+1時刻的隱見層h的條件概率：

P(hj(t+1)=1|v(t+1))

步驟6對權值矩陣W、隱見層偏置向量b和顯見層偏置向量c進行修正。權值矩陣的修正量為：

ΔW=η[P(h(0)=1|v(0))(v(0))T-

P(h(t+1)=1|v(t+1))(v(t+1))T]

隱見層偏置向量的修正量為：

Δb=η[P(h(0)=1|v(0))-P(h(t+1)=1|v(t+1))]

顯見層偏置向量的修正量為：

Δc=η[v(0)-v(t+1)]

式中，η為給定常量，加粗了的數(shù)字1表示基向量。

深度信念網(wǎng)絡從整個網(wǎng)絡來說，最重要的第1步是要在訓練好第1層RBM網(wǎng)絡后，將其隱藏層狀態(tài)作為下一層的輸入；第2步是進行下一層RBM的樣本訓練；最后完成整個網(wǎng)絡的預訓練。在反饋調(diào)整階段，為了達到分類識別、調(diào)優(yōu)的目的，人們通常采用BP神經(jīng)網(wǎng)絡進行有監(jiān)督的訓練。

3.2 云計算技術的圖書館數(shù)字資源配置的具體實現(xiàn)

云計算技術將圖書館系統(tǒng)中眾多的服務器(計算機)組合成資源集群，從而形成一個資源利用率高、運算速度快的圖書館數(shù)字資源服務系統(tǒng)，推動圖書館數(shù)字資源服務的發(fā)展[19-23]。

本文首先運用云計算技術構建資源配置的云平臺，每個節(jié)點采用深度信念網(wǎng)絡對圖書館數(shù)字資源的可信度、數(shù)字資源的資源節(jié)點的適應度的特征進行學習，并提取出相關的特征來分析判斷。本文運用多個節(jié)點對圖書館數(shù)字資源進行并行建模和配置，建立云平臺圖書館數(shù)字資源配置模型，如圖3所示。

圖3 資源配置模型

在圖書館數(shù)字資源配置中本文采用資源節(jié)點可信度來進行資源配置成功率的量化，采用W=S/T作為可信度的表達式。其中S表示資源節(jié)點成功執(zhí)行的任務總數(shù)，資源節(jié)點接收的任務數(shù)用T表示，圖書館數(shù)字資源節(jié)點的可信度使用W表示，其值越大圖書館數(shù)字資源節(jié)點的可信度越高。

各個圖書館數(shù)字資源粒子都有自己的位置和速度，圖書館數(shù)字資源配置的適應度值可以通過公式計算得到，計算公式為：

p(v)=εp(v+1)+k1p(v+1)+k2p(v+1)

其中，k1、k2代表常數(shù)，可以控制圖書館數(shù)字資源配置的收斂速度，v代表速度，ε代表云計算環(huán)境下的比例因子[1]。

通過計算與分析圖書館數(shù)字資源配置的適應度值，以及圖書館數(shù)字資源的可信度，利用圖書館數(shù)字資源模塊集構造訓練樣本，采用深度信念網(wǎng)絡對資源配置的模塊樣本進行訓練，得到配置方案完成配置需要的資源，完成了云平臺下圖書館數(shù)字資源的合理配置。云計算技術下深度信念網(wǎng)絡的圖書館數(shù)字資源配置步驟如下：

步驟1收集圖書館數(shù)字資源的所有數(shù)據(jù)，如音視頻資源、圖書館自建特色資源等。

步驟2通過劃分圖書館數(shù)字資源數(shù)據(jù)，獲得若干個圖書館數(shù)字資源子數(shù)據(jù)。

步驟3運用深度信念網(wǎng)絡對圖書館數(shù)字資源的每一個子數(shù)據(jù)進行預訓練，建立圖書館數(shù)字資源合理配置模型。

步驟4多個深度信念網(wǎng)絡基于云計算，同時對圖書館數(shù)字資源配置進行建模與配置，得到多個數(shù)字資源合理配置結果。

步驟5將多個數(shù)字資源合理配置結果傳輸?shù)絉educe。

步驟6確定每一個基于深度信念網(wǎng)絡的圖書館數(shù)字資源配置結果的權重，最后圖書館數(shù)字資源合理配置的結果可以通過權值計算得到。

4 實驗與結果分析

4.1 資源配置準確性測試

為了驗證云計算和深度信念網(wǎng)絡的數(shù)字資源配置方法的有效性和合理性，本文對其進行實驗，實驗采用Windows 7系統(tǒng)，軟件為MATLAB 2019b。在云計算訓練平臺中，為了完成對每個控制段模型的單獨訓練，本文應用單獨的DBN網(wǎng)絡的訓練原理，得到不同的訓練模型集，將其訓練結果存儲在相對應的云平臺存儲的數(shù)據(jù)庫中。本文以云存儲作為數(shù)字資源的存儲。

樣本訓練如圖4所示，本文提出的基于云計算和深度信念網(wǎng)絡的資源配置方法能夠較快地達到穩(wěn)態(tài)范圍，并且具有較小的超調(diào)量。準確度越快達到穩(wěn)定范圍，說明圖書館數(shù)字資源在配置時越合理，整體可以獲得較好的控制效果。

圖4 樣本訓練

4.2 資源配置有效性比較

為了驗證配置時間對圖書館數(shù)字資源配置的有效性，實驗過程中采用5組圖書館數(shù)字資源進行配置，數(shù)字資源文件的大小分別為1000 kB、900 kB、800 kB、700 kB、600 kB，測試結果如表1所示。

表1 數(shù)字資源配置的有效性測試

表1中，T表示數(shù)字資源配置的時間。數(shù)字資源文件大小為1000 kB時，本文的方法配置時間為21 min，文獻[1]的方法配置時間為51 min，文獻[2]的方法配置時間為45 min；當數(shù)字資源文件大小為600 kB時，本文的方法對應的配置時間為12 min，文獻[1]的方法配置時間為37 min，文獻[2]的方法配置時間為35 min。通過分析比較，可以得出對于同樣大小的數(shù)字資源文件，本文的方法所用的配置時間最短，效率更高。

文獻[1]方法中，文件大小為1000 kB時，圖書館數(shù)字資源的配置時間為51 min，文件大小為600 kB時，資源配置時間為37 min；文獻[2]方法中，文件大小為1000 kB時，圖書館數(shù)字資源的配置時間為45 min，文件大小為600 kB時，資源配置時間為35 min；本文方法中，文件大小為1000 kB時，圖書館數(shù)字資源的配置時間為21 min，文件大小為600 kB時，資源配置時間為12 min。可以看出，隨著圖書館數(shù)字資源文件的大小變小，資源配置所用的時間也變少。

從以上分析可以看出，本文的資源配置方法整體上都比前2種方法的資源配置時間短，效率更高，由此可得出本文的方法更優(yōu)。

5 結束語

為了提高圖書館數(shù)字資源配置的質(zhì)量和效率，本文提出了一種基于云計算和深度信念網(wǎng)絡的圖書館數(shù)字資源配置方法。首先采用云計算技術搭建圖書館數(shù)字資源配置云平臺，然后采用深度信念網(wǎng)絡對圖書館數(shù)字資源節(jié)點的可信度進行學習，對資源配置的模塊樣本進行訓練，最終完成云計算平臺下圖書館數(shù)字資源的合理配置。

最后，與其他方法進行了圖書館數(shù)字資源配置對比測試實驗。實驗結果表明，本文所提方法用于圖書館數(shù)字資源配置時不僅準確性高，而且減少了圖書館數(shù)字資源配置時間，提高了圖書館數(shù)字資源配置效率，實際應用價值更高。