摘 要 圖書采購是豐富館藏資源的一種重要活動，但是哪些圖書該采購，成為了圖書采購管理工作中的難題。針對該問題，論文提出一種基于COA-CNN-GRU神經(jīng)網(wǎng)絡(luò)的圖書推薦方法。首先，利用灰色關(guān)聯(lián)分析提取圖書借閱數(shù)據(jù)中影響采購的關(guān)鍵因素。接著，通過COA算法優(yōu)化CNN-GRU模型，構(gòu)建了針對圖書采購的推薦模型。以湖北文理學(xué)院圖書館為例，對約11，000種圖書的借閱記錄進(jìn)行7：3劃分，形成訓(xùn)練集（7，700種）與測試集（3，300種）。實驗證明，該模型訓(xùn)練精度高達(dá)90.06%，展現(xiàn)出卓越的預(yù)測性能與泛化能力，為圖書采購管理提供了科學(xué)、高效的決策工具。

關(guān)鍵詞 圖書采購；推薦模型；COA-CNN-GRU；神經(jīng)網(wǎng)絡(luò)

分類號 G258.6

DOI 10.16810/j.cnki.1672-514X.2024.08.008

Recommended Services for Book Procurement in a Digital Transformation Environment

Hu Haiying， Zhou Bo， Zhang Sixin

Abstract Acquiring books is a vital endeavor for enhancing library collections， yet determining the most suitable titles for procurement poses a significant challenge in book acquisition management. To tackle this challenge， this paper proposes a novel book recommendation system grounded in a hybrid COA-CNN-GRU neural network architecture. Firstly， the key factors affecting the procurement of books in the book borrowing data are extracted by using gray correlation analysis. Then， the recommendation model for book purchasing is constructed by optimizing the CNN-GRU model through the COA algorithm. Taking the library of Hubei College of Arts and Sciences as an example， the borrowing records of about 11，000 kinds of books were divided 7：3 to form a training set （7，700 kinds） and a test set （3，300 kinds）. The experiment proves that the training accuracy of the model is as high as 90.06%， showing excellent prediction performance and generalization ability， which provides a scientific and efficient decision-making tool for book procurement management.

Keywords Book purchase. Recommendation model. COA-CNN-GRU. Neural network.

0 引言

高校圖書館具有重要的職能和使命，需要為學(xué)生、教師、科研人員及社會大眾開放并提供服務(wù)。圖書采購作為圖書館管理的一個重要環(huán)節(jié)，對于豐富館藏資源、保障學(xué)生學(xué)習(xí)生活、為教師教學(xué)科研提供信息支撐、滿足社會大眾的圖書閱讀需求等均具有十分重要的意義。

隨著信息技術(shù)日新月異的進(jìn)步與發(fā)展，人工智能技術(shù)的應(yīng)用邊界日益拓寬，時至今日，圖書館服務(wù)領(lǐng)域也已廣泛應(yīng)用了人工智能技術(shù)，比如智能選書[1]、自助借書[2]、讀者畫像[3]、精準(zhǔn)推送[4]等，許多研究者也開發(fā)了各類智能化圖書系統(tǒng)。其中，圖書信息的分析挖掘和預(yù)測模型的建立，對圖書館人員設(shè)備、空間設(shè)計和資源采購的便利性具有很好的指導(dǎo)意義，有助于實現(xiàn)圖書館的智能化管理。張一翠、魏青山[5]等構(gòu)建了以EBL五步驟為指導(dǎo)的EBL-PDA嵌套模型，并在EBL指導(dǎo)下的PDA實踐助力圖書館有效補(bǔ)充了館藏，更精準(zhǔn)地把握讀者需求。宋麗[6]提出了一種依托于數(shù)據(jù)挖掘技術(shù)的智慧圖書館個性化推薦服務(wù)體系，并對此體系中涉及的圖書館數(shù)據(jù)挖掘手段、個性化推薦服務(wù)方案策劃與實施效果進(jìn)行了細(xì)致對比與深入剖析；范云歡[7]系統(tǒng)回顧了圖書館學(xué)習(xí)支持服務(wù)的研究現(xiàn)狀及其在智慧環(huán)境下的特征，從學(xué)習(xí)者行為、知識內(nèi)在關(guān)聯(lián)性及學(xué)習(xí)情境三個維度構(gòu)建了一套學(xué)習(xí)支持服務(wù)的大數(shù)據(jù)挖掘模型，并對其數(shù)據(jù)來源和挖掘路徑進(jìn)行了深入探討與解析。

在圖書采購?fù)扑]模型的研究范疇內(nèi)，運用線性回歸分析模型和灰色系統(tǒng)理論模型來推測圖書館圖書借閱趨勢，是一種常見的研究途徑。然而，圖書采購的過程實際上是一個受多重復(fù)雜因素交織影響的非線性動態(tài)過程[8]。面對這一特性，不同學(xué)者針對具體問題展開了針對性研究。例如，孫寶[9]為減弱主觀因素影響，強(qiáng)化圖書采購決策的科學(xué)嚴(yán)謹(jǐn)性，構(gòu)建了基于層次分析法（AHP）的圖書購置策略。劉馳[10]借助灰色神經(jīng)網(wǎng)絡(luò)理論，構(gòu)建了一種基于圖書拒借率和流通率的復(fù)本采購預(yù)測模型。

鑒于神經(jīng)網(wǎng)絡(luò)模型所展現(xiàn)出的卓越非線性擬合能力，它能夠有效地捕捉并再現(xiàn)序列內(nèi)部復(fù)雜的非線性變換特征[11]。張俊三等人[12]設(shè)計了一種創(chuàng)新路徑，他們首先構(gòu)建了一個反映用戶與物品之間互動關(guān)聯(lián)的用戶—物品圖譜，進(jìn)而應(yīng)用圖神經(jīng)網(wǎng)絡(luò)（GNN）技術(shù)學(xué)習(xí)這些實體的內(nèi)在特征表達(dá)，并在此基礎(chǔ)上提出了一個結(jié)合鄰域采樣機(jī)制的多目標(biāo)圖推薦算法。蔡丹丹[13]則以上海圖書館公開的一般外借圖書借閱數(shù)據(jù)為基礎(chǔ)，運用遺傳算法對神經(jīng)網(wǎng)絡(luò)進(jìn)行了深度優(yōu)化，開發(fā)出一套基于遺傳神經(jīng)網(wǎng)絡(luò)架構(gòu)的圖書采購?fù)扑]模型，旨在評估圖書能否成為滿足大眾閱讀需求的“熱門書籍”，進(jìn)而指導(dǎo)生成精準(zhǔn)的圖書采購建議清單。另外，黃小華[14]在遺傳算法的基礎(chǔ)上注入了改良元素，改進(jìn)后的算法用于優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)重分配、閾值設(shè)定及網(wǎng)絡(luò)結(jié)構(gòu)本身。借此優(yōu)化手段，他深入探究了圖書各種屬性與其被圖書館納入采購范圍之間的潛在聯(lián)系，并最終實現(xiàn)了對圖書是否會被采購這一行為的精確預(yù)測分類。

近幾年CNN-GRU模型已被用于水質(zhì)預(yù)測[15]、人臉識別[16]、風(fēng)電功率預(yù)測[17]和電力負(fù)荷預(yù)測[18]等。本研究以湖北文理學(xué)院2022—2023年圖書借閱大數(shù)據(jù)為基礎(chǔ)，利用COA優(yōu)化算法結(jié)合CNN-GRU模型，挖掘圖書館采購書籍與圖書信息間的潛在關(guān)系，建立一種基于COA-CNN-GRU 神經(jīng)網(wǎng)絡(luò)的圖書采購?fù)扑]模型，為圖書采購提供決策依據(jù)。

1 關(guān)鍵影響因素的提取

灰色關(guān)聯(lián)分析技術(shù)[19]作為一種源自灰色系統(tǒng)理論的核心工具，其核心功能在于定量揭示和評估灰色系統(tǒng)內(nèi)部各項變量間的相互關(guān)聯(lián)強(qiáng)度。在本次研究中，我們將運用灰色關(guān)聯(lián)分析方法，依據(jù)各個影響因素隨時間演變趨勢的相似性程度，以確定圖書信息特征與圖書館采購決策間存在的關(guān)聯(lián)緊密程度。其中，關(guān)聯(lián)度數(shù)值越高，則意味著該圖書信息特征對于圖書采購活動的影響力越顯著。

依據(jù)圖書館內(nèi)記錄的圖書詳細(xì)數(shù)據(jù)集，我們重點關(guān)注如下十項關(guān)鍵屬性：“書名標(biāo)識”“主題關(guān)鍵詞”“圖書分類編號”“作者信息”“定價情況”“出版社歸屬”“出版年份”“館藏復(fù)本量”“語言種類”及“歷史借閱頻次”。通過對這些要素實施灰色關(guān)聯(lián)分析，可以深入探討它們與圖書館圖書采購策略的相關(guān)性和影響力。

為了解決這一問題，本文以“借閱次數(shù)”作為決策依據(jù)，采用灰色關(guān)聯(lián)分析方法來分析影響要素與借閱次數(shù)之間的關(guān)系，并提取出影響讀者“借閱次數(shù)”具有較大關(guān)聯(lián)的關(guān)鍵因素。首先通過圖書管理系統(tǒng)收集影響圖書采購因素分析數(shù)據(jù)作為比較序列，X'i（i=1，2，…，n），假設(shè)有n組數(shù)據(jù)形成如下矩陣：

（1）

式（1）中m表示影響因素的個數(shù)。

無量綱化處理是必要的，因為影響因素和結(jié)果的量綱不一樣。采用均值化法、初值化法和標(biāo)準(zhǔn)化法計算影響因素和結(jié)果，以避免無量綱化誤差。假設(shè)n組樣本的影響結(jié)果為參考序列，用Y'=（y'（1），y'（2）…，y'（m））表示，經(jīng)過無量綱化處理后的矩陣為：

（2）

在本研究中可計算每一個比較序列與參照序列中對應(yīng)元素的相關(guān)系數(shù)，表示為：

（3）

式（3）中i=1，2， … ，n，是比較序列的索引，ρ為分辨系數(shù)，其中通常設(shè)置ρ=0.5，h=1，2，…，m。

通過利用上述相關(guān)系數(shù)，本研究可以進(jìn)一步求得各影響因素與參照序列間的關(guān)聯(lián)度，其計算公式如下：

（4）

將計算出來的關(guān)聯(lián)序從大到小依次排列，值越大說明該因素對結(jié)果的影響越大，由此提取出影響圖書館采購的關(guān)鍵因素，計算結(jié)果如表1所示。

根據(jù)關(guān)聯(lián)度計算結(jié)果，選取關(guān)聯(lián)度大的要素作為本論文的關(guān)鍵要素，即“主題詞”“分類號”“著者”“出版社”“出版年”“復(fù)本”等6類要素作為關(guān)鍵要素。

2 基于COA-CNN-GRU的圖書采購?fù)扑]模型

為了建立圖書采購?fù)扑]模型，以上述6類關(guān)鍵要素作為輸入變量，以“借閱次數(shù)”作為決策類別，將借閱次數(shù)分類如下：以借閱次數(shù)超過10次的書籍為“熱門書籍”，5～9次的書籍為“較熱門書籍”，1～4次的書籍為“一般書籍”，借閱次數(shù)為0的書籍為“冷門書籍”，分別用數(shù)字1表示“冷門書籍”，數(shù)字2表示“一般書籍”，數(shù)字3表示“較熱門書籍”，數(shù)字4表示“熱門書籍”。

2.1 原理分析

在CNN與GRU結(jié)合的架構(gòu)中，CNN模塊用于捕獲輸入序列的局部特征表達(dá)，而門控循環(huán)單元（GRU）[20]作為一種源于LSTM的時序建模變種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，用于揭示序列數(shù)據(jù)的時間關(guān)聯(lián)性。具體來說，CNN首先將序列數(shù)據(jù)轉(zhuǎn)化為二維特征映射，并通過卷積及池化的運算提取出空間層面的特征信息。這些被提取出的特征會被傳輸至GRU模型中，以發(fā)掘序列內(nèi)部的時序依賴關(guān)系。最后，整個模型運用時間反向傳播算法（BPTT）進(jìn)行優(yōu)化訓(xùn)練，在此過程中，損失函數(shù)的梯度按照時間順序自后向前穿越GRU層直至CNN層執(zhí)行反向傳播，并依循損失函數(shù)所得出的梯度來逐步調(diào)整模型的參數(shù)，從而提升模型對訓(xùn)練數(shù)據(jù)的擬合程度。關(guān)于GRU內(nèi)部的狀態(tài)演化機(jī)制，可由以下等式詳述：

（5）

式（5）用于描述重置門（Reset gate）機(jī)制，它在GRU中負(fù)責(zé)決定丟棄歷史信息的程度，其中變量Rt表征重置門輸出向量，其取值越大，則遺忘的歷史信息越多。

（6）

式（6）用于描述更新門（Update gate）機(jī)制，該門控作用于決定前一時步狀態(tài)信息與當(dāng)前時步信息的融合比例。此處，Zt表示更新門的sigmoid輸出向量，當(dāng)其數(shù)值增大時，意味著更多來自前一時刻的狀態(tài)信息得以保留在當(dāng)前狀態(tài)中。

（7）

式（7）用于生成候選激活值，其中表示一種候選狀態(tài)，表示為一種激活函數(shù)，其輸出范圍在[-1，1]，這使得GRU網(wǎng)絡(luò)能夠有效處理梯度消失和梯度爆炸問題，同時保持了信息的潛力。

（8）

式（8）明確了最終輸出值的計算方式，其中Zt表示Update gate的激活狀態(tài)，同樣以門控的形式對信息流進(jìn)行調(diào)節(jié)作用；（1-Zt）*Ht-1表示存儲前一時步遺留至最終記憶的狀態(tài)信息；則是當(dāng)前時步記憶內(nèi)容經(jīng)篩選后存續(xù)至最終記憶的部分。

在上述表達(dá)式中，Ht-1表示前一時間步t-1的信息，為第t個時間步的輸入向量，+表示逐元素相加運算，WR，WZ，Wh代表權(quán)重矩陣，bR，bZ，bH代表偏移量，б代表sigmoid函數(shù)，而符號*代表Hadamard乘積，CNN-GRU網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖1所示。

2.2 模型優(yōu)化算法

COA是一種元啟發(fā)式優(yōu)化算法，具備卓越的進(jìn)化性能、高效的搜索速率及出色的尋優(yōu)特性[21]。鑒于這些優(yōu)勢，將其應(yīng)用于優(yōu)化CNN-GRU模型的超參數(shù)配置，有望顯著增強(qiáng)模型訓(xùn)練效果。該算法模仿浣熊捕獵行為，通過一系列模擬步驟包括種群初始化、模擬鬣蜥遭遇浣熊的覓食與對抗過程（全局探索階段）及應(yīng)對捕食者威脅時的躲避行為（局部開發(fā)階段），進(jìn)而優(yōu)選出最優(yōu)解決方案。

對于探索階段，式（9～13）展現(xiàn)了浣熊如何在搜索空間中動態(tài)遷移并進(jìn)行廣泛探索的過程。尤其是在成功捕獵鬣蜥之后，浣熊會在空間中尋找新的潛在區(qū)域。

（9）

式（9）描述了種群在搜索空間內(nèi)的隨機(jī)初始化過程，其中Xi，j表示種群個體，bUj表示尋優(yōu)上邊界，bDj表示尋優(yōu)下邊界，V為[0，1]之間的隨機(jī)數(shù)。

（10）

式（10）表述了浣熊在多維樹狀結(jié)構(gòu)中位置的變化規(guī)則，其中Xp1i，j代表第i只浣熊在第j維度上的新位置坐標(biāo)，V為[0，1]之間的隨機(jī)數(shù)，Gj表示在該維度上最佳個體（類比為鬣蜥）的位置，I是從集合{1，2}中隨機(jī)抽取的數(shù)，N代表浣熊群體的規(guī)模，[N/2]指不超過N除以2的最大整數(shù)，m則表示決策變量的數(shù)目。

（11）

（12）

（13）

式（11～13）進(jìn)一步說明了鬣蜥跌落后，系統(tǒng)將其置于搜索空間的隨機(jī)位置，而地面的浣熊則據(jù)此調(diào)整自己的追蹤策略。其中，Ggj表示在第j維度上鬣蜥跌落的具體位置，F(xiàn)Gg，i和Fi，j分別表示第j個維度下鬣蜥落地后的目標(biāo)函數(shù)值與第i個浣熊的目標(biāo)函數(shù)值，而Fip1和Fi分別表示第i個浣熊在新位置的目標(biāo)函數(shù)值與在之前位置的目標(biāo)函數(shù)值。

至于開發(fā)階段，式（14～16）體現(xiàn)了浣熊在面對捕食者威脅并采取逃離行動時，如何借助自然行為機(jī)制實現(xiàn)局部搜索能力的提升，這表明了該算法在搜索過程中的開發(fā)能力。

（14）

式（14）中，blocj，D與blocj，U分別定義了第j個決策變量的局部上下界約束，t與T分別表示了當(dāng)前迭代次數(shù)與最大允許的迭代次數(shù)。

（15）

（16）

式（15～16）描述了浣熊如何根據(jù)更新后的位置評估目標(biāo)函數(shù)，并以此判斷是否替換原有位置。在該過程中，Xp2i，j代表了第i只浣熊在第j維度的新位置，而Fip2和Fi分別表示該浣熊在新舊位置處的目標(biāo)函數(shù)值。

2.3 模型構(gòu)建

建立圖書推薦模型的流程包括數(shù)據(jù)預(yù)處理、構(gòu)建模型框架、優(yōu)化超參數(shù)及模型測試評估，具體如圖2所示。數(shù)據(jù)預(yù)處理階段需要收集大量圖書信息數(shù)據(jù)，并對其進(jìn)行排列組合和歸一化處理。

本研究采用了一種融合了CNN和GRU的混合模型，其輸入層容納了共計1.1萬個圖書信息樣本，而輸出層則致力于預(yù)測各類圖書的受歡迎程度分類。模型內(nèi)嵌了一系列隱藏層組件，依次包括折疊序列層、卷積層、池化層、Relu激活層、Sigmoid激活層、全連接神經(jīng)網(wǎng)絡(luò)層（FNN）、乘法層、展開序列層、扁平化層、Softmax輸出層及GRU循環(huán)層。這些隱藏層以交錯的方式相互連接，并共同匯聚至最終的FNN層。值得注意的是，GRU層在模型中扮演著從傳遞的數(shù)據(jù)中捕捉關(guān)鍵特征及維護(hù)內(nèi)部狀態(tài)的角色。

在正式進(jìn)行模型訓(xùn)練之前，CNN-GRU模型的表現(xiàn)會受到眾多超參數(shù)配置的影響，例如隱藏層層數(shù)和學(xué)習(xí)率等。為了尋找到最優(yōu)的超參數(shù)配置組合，本研究采用了一種高效且具備全局最優(yōu)搜索能力的COA算法進(jìn)行模型優(yōu)化。同時，為確保該模型在訓(xùn)練過程中具有穩(wěn)定的梯度，參數(shù)初始化階段采用了均勻分布初始化（Uniform Initialization）方法，并在激活函數(shù)選擇上采用了tanh函數(shù)和sigmoid函數(shù)。此外，模型參數(shù)優(yōu)化采用了Adam算法（自適應(yīng)矩估計優(yōu)化算法），旨在最小化損失函數(shù)，從而提升模型表現(xiàn)。

在模型性能評估階段，本研究采納了混淆矩陣作為評價分類預(yù)測準(zhǔn)確性的核心指標(biāo)。通過深入分析混淆矩陣的各項指標(biāo)，如準(zhǔn)確率、召回率、精確率和F1得分，可以全面了解模型在不同類別上的分類精確度表現(xiàn)。

3 結(jié)果分析

在本研究中，我們運用了MATLAB軟件（版本R2023a）進(jìn)行相關(guān)函數(shù)集的編程與執(zhí)行操作。為了有效處理“主題詞”“分類號”“著者”“出版社”“出版年”“復(fù)本”等圖書信息特征及四種決策類別的組合問題，本文通過了排列組合方法與控制變量策略簡化了繁雜的組合形態(tài)。本研究所構(gòu)建的數(shù)據(jù)集涵蓋了總計11 000組實驗樣本數(shù)據(jù)。其中，70%的數(shù)據(jù)被分配為訓(xùn)練集，剩余的30%作為測試集，具體樣本數(shù)據(jù)如表2所示。

在訓(xùn)練模型之前，本研究先行對全部實驗數(shù)據(jù)執(zhí)行了Z-Score標(biāo)準(zhǔn)化預(yù)處理步驟，以消除原始數(shù)據(jù)尺度差異的影響。接著，依據(jù)圖書信息的特性特征，對數(shù)據(jù)集進(jìn)行了合理的輸入與輸出設(shè)置。之后，本研究利用了COA（Coyote Optimization Algorithm ）優(yōu)化算法的優(yōu)勢，對所構(gòu)建的CNN-GRU模型中的超參數(shù)進(jìn)行了細(xì)致調(diào)優(yōu)，以確定最優(yōu)的迭代次數(shù)、學(xué)習(xí)速率、正則化參數(shù)值及隱藏層神經(jīng)元數(shù)量。

隨后，本研究將訓(xùn)練集和測試集應(yīng)用于三種圖書采購?fù)扑]模型：CNN、CNN-GRU和COA-CNN-GRU，以驗證它們的準(zhǔn)確性，詳見圖3。根據(jù)混淆矩陣可知，三種模型中COA-CNN-GRU的整體預(yù)測性能最好，能以較高的準(zhǔn)確率來預(yù)測多種決策類別。

通過對三種模型進(jìn)行性能評估分析，可得出結(jié)論：COA-CNN-GRU模型在分類預(yù)測方面優(yōu)于其他五種模型，表現(xiàn)出更高的精度，詳見表3。

根據(jù)各模型的實驗結(jié)果，本研究綜合評估了性能，并進(jìn)行了綜合評價指標(biāo)F1值的對比，具體結(jié)果如圖4-a所示。模型對類別1的預(yù)測表現(xiàn)均優(yōu)于其他三種情況，這是因為類別1只需確定不同圖書信息的特征即可較好地進(jìn)行預(yù)測分類。與此同時，CNN模型的預(yù)測性能明顯低于其他模型。盡管CNN模型相對于SVM和Linear Classification模型具有更好的分類性能，但其僅能提取局部特征信息。

圖4-b比較了各模型的召回率。顯然，本研究中的COA-CNN-GRU模型的召回率高于其他模型，即該模型能夠獲取更多特征信息。同時，該模型的分類預(yù)測效果也明顯優(yōu)于其他兩種模型。這是由于混合神經(jīng)網(wǎng)絡(luò)的預(yù)測效果與超參數(shù)密切相關(guān)，而COA優(yōu)化算法具有更好的優(yōu)化性能。

4 結(jié)語

論文結(jié)合理論探究和實證檢驗，創(chuàng)新性地運用改良神經(jīng)網(wǎng)絡(luò)技術(shù)的圖書采購優(yōu)化策略。通過對圖書館借閱記錄的深度挖掘，建立了與圖書采購?fù)扑]高度相關(guān)的六大核心信息指標(biāo)，即“主題關(guān)鍵詞”“分類編號”“作者”“出版社名稱”“出版年份”及“復(fù)本數(shù)量”。研究成果突顯了COA算法架構(gòu)的優(yōu)越性，并運用COA算法有效優(yōu)化了CNN-GRU模型內(nèi)部的超參數(shù)設(shè)定，最終融合COA算法與CNN-GRU神經(jīng)網(wǎng)絡(luò)形成的整合模型展現(xiàn)出了卓越的預(yù)測準(zhǔn)確率，高達(dá)90.06%。鑒于此，該模型具有廣泛的適用性和可移植性，不僅適用于當(dāng)前研究環(huán)境下的圖書采購?fù)扑]，還可推廣至其他各類高校圖書館場景，從而為高校圖書館圖書采購決策提供更為科學(xué)且精確的數(shù)據(jù)支撐。

參考文獻(xiàn)：

蔡迎春.圖書館精準(zhǔn)采購實現(xiàn)策略[J].數(shù)字圖書館論壇，2021（6）：50-55.

蔡屏.自助借書系統(tǒng)具體實施細(xì)節(jié)研究[J].圖書館建設(shè)，2011（2）：71-74.

劉衛(wèi)紅.元宇宙環(huán)境下圖書館讀者畫像研究[J].圖書館界，2023（3）：1-5，28.

王娜.AI賦能的圖書館用戶興趣畫像構(gòu)建與精準(zhǔn)推送服務(wù)研究[J].圖書情報導(dǎo)刊，2022， 7（1）：16-21.

張一翠，魏青山.循證圖書館學(xué)在讀者決策采購模型建立和實踐中的應(yīng)用研究：以西安交通大學(xué)為例[J].圖書館學(xué)研究，2021（5）：53-59.

宋麗.基于數(shù)據(jù)挖掘技術(shù)的智慧圖書館個性化推薦服務(wù)分析[J].圖書館學(xué)刊，2023，45（2）：69-73.

范云歡.智慧環(huán)境下基于大數(shù)據(jù)挖掘的圖書館學(xué)習(xí)支持服務(wù)[J].情報探索，2020（5）：40-45.

柯羽.高校畢業(yè)生就業(yè)質(zhì)量評價指標(biāo)體系的構(gòu)建[J].中國高教研究，2007（7）：82-84，93.

孫寶.基于回歸控制的高校圖書館采購量建模研究[J].情報理論與實踐，2013，36（6）：93-97，106.

劉馳.灰色神經(jīng)網(wǎng)絡(luò)模型在圖書采購復(fù)本量預(yù)測的應(yīng)用[J].科技創(chuàng)新導(dǎo)報，2013（19）：200-201.

耿立艷，張占福，李達(dá).基于ARIMA-SVM的城際高鐵客流量短期預(yù)測[J].交通與運輸， 2020，36（6）：42-45.

張俊三，肖森，高慧，等.基于鄰域采樣的多任務(wù)圖推薦算法[J].計算機(jī)工程與應(yīng)用，2024， 60（9）：172-180.

蔡丹丹.基于遺傳神經(jīng)網(wǎng)絡(luò)的圖書采購?fù)扑]模型研究[J].圖書館研究與工作，2022（5）：38-42.

黃小華，苗松，施化吉，等.基于改進(jìn)遺傳神經(jīng)網(wǎng)絡(luò)的圖書采購模型研究[J].現(xiàn)代情報，2009，29（9）：162-165.

MEI P ， LI M ， ZHANG Q ，et al. Prediction model of drinking water source quality with potential industrial-agricultural pollution based on CNN-GRU-Attention[J].Journal of Hydrology， 2022，610（127934）：1-13.

PANKA J， BHARTI P K ， KUMAR B. A new design of occlusion-invariant face recognition using optimal pattern extraction and CNN with GRU-Based architecture[J].International Journal of Image and Graphics， 2022（16）：789-813.

薛陽，王琳，王舒，等.一種結(jié)合CNN和GRU網(wǎng)絡(luò)的超短期風(fēng)電預(yù)測模型[J].可再生能源，2019，37（3）：456-462.

趙兵，王增平，紀(jì)維佳，等.基于注意力機(jī)制的CNN-GRU短期電力負(fù)荷預(yù)測方法[J].電網(wǎng)技術(shù)，2019，43（12）：4370-4376.

CHENG Y C， YEH H C， LEE C K. Multi-objectiveoptimization of the honeycomb core in a honeycombstructure using uniform design and grey relationalanalysis[J].Engineering Optimization， 2021（54）：286-304.

CHO K， VAN MERRIENBOER B， GULCEHRE C， et al. Learning phrase representations using RNN Encoder-Decoder for statistical machine translation[J].Computer Science， 2014（9）：1724-1734.

DEHGHANI M， TROJOVSKA E， TROJOVSKY P，et al. Coati optimization algorithm： a new bio-inspired metaheuristic algorithm for solving optimization problems[J]. Knowledge-based systems， 2023（259）：1-43.

胡?，?湖北文理學(xué)院圖書館館員。 湖北襄陽，441053。

周 博 湖北文理學(xué)院機(jī)械工程學(xué)院碩士研究生。 湖北襄陽，441053。

張四新 湖北文理學(xué)院圖書館館長。 湖北襄陽，441053。

*本文系湖北省中青年科技創(chuàng)新團(tuán)隊計劃項目“漢江流域資源環(huán)境與區(qū)域發(fā)展”（項目編號：T202314）、2020年湖北省高校圖工委科研基金項目“后疫情時代的高校圖書館閱讀療法服務(wù)研究”（項目編號：2020-YB-08）研究成果之一。