基于粗糙集条件信息熵的图书馆信息资源评价研究

2014-08-08陈左珊

现代情报 2014年3期

陈+左珊

作者简介：陈（１９７２－），男，教授，研究方向：图书情报。·理论探索·

〔摘要〕鉴于图书馆信息资源评价的重要性，考虑到现有图书馆信息资源评价多依赖于专家先验知识的问题，特引入粗糙集理论建立了图书馆信息资源智能评价模型，该模型利用粗糙集方法基于信息熵观点获得客观权重值结果，为图书馆信息资源评价提供了一个新的解决方案，且根据指标权重值结果，提出了丰富图书馆信息资源内容的相应对策。算例分析和实验比较，验证了该粗糙集智能评价模型的有效性与优越性。

〔关键词〕图书馆信息资源；粗糙集；信息熵；权重

ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００８－０８２１．２０１４．０３．０１１

〔中图分类号〕Ｇ２５０；ＴＰ１８〔文献标识码〕Ａ〔文章编号〕１００８－０８２１（２０１４）０３－００４７－０４

Library Information Resources Evaluation Based on

Rough Set Conditional Information EntropyChen Yang１，２Zuo Shan２

（１．PEDepartment of Xiangtan University，Xiangtan 411105，China；

２．School of Public Administration，Xiangtan University，Xiangtan 411005，China）

〔Ａｂｓｔｒａｃｔ〕Given the importance of the library information resource evaluation,considering the current library information resource evaluation relies on the experts more prior knowledge,in order to reach reasonable and objective analysis result,a rough set conditional information entropy based intelligent evaluation model was constructed.according to the results of the index weights,enriching the content of library information resources was put forward the corresponding countermeasures.example analysis and experiment comparison proved that the rough set conditional information entropy of intelligent evaluation model takes on effectiveness and superiority.

〔Ｋｅｙｗｏｒｄｓ〕library information resources;rough set;information entropy;index weight

图书馆信息资源是指图书馆中与信息采集能力、信息处理能力、信息利用能力及信息交流能力有关的一切资源，包括人员、设备、资金、信息及技术，在推进社会主义先进文化和满足公众信息文化需求等方面都发挥着重要的作用。21世纪，随着电子计算机技术的高速发展，各种尖端的信息技术形成对图书馆的强大技术支持，使图书馆从自动化走向网络化、数字化、虚拟化。各种电子资源如雨后春笋般层出不穷，其发展状况可谓日新月异，图书馆面临着新技术和新型文献载体的冲击。图书馆信息资源作为社会的一种精神文化产品，其资源配置的科学性和有效性对于满足用户的精神文化需要、带动经济社会的发展具有明显的促进作用。那么对图书馆信息资源进行合理评价，寻求一种最有效的评价方法，使有限的图书馆信息资源发挥最大的作用，必须建立具有科学性与客观性的评价模型。

鉴于图书馆信息资源评价的重要性，目前越来越受到学者们的广泛关注。赵良英，李立华等建立了基于多层次模糊综合评价模型的复合图书馆资源评价指标体系，并利用专家调查法与层次分析法相结合的方式确定了各项指标的权重值［１］；管计锁，毕杰通过比较网络信息资源评价与传统馆藏评价的区别与联系，着重指出在图书馆信息资源建设中，图书馆信息资源综合评价的重要性［２］；曹作华在分析图书馆信息资源总体服务效益影响因素的基础上，构建了图书馆信息资源服务效益的多层次模糊综合评价体系［３］。基于国内外学者关于图书馆信息资源方面大量研究的基础上，本文拟将粗糙集理论［４］引入到图书馆信息资源评价中，尝试构建一种不完全依赖先验信息基于粗糙集条件信息熵的图书馆信息资源智能评价模型，为图书馆信息资源评价提供更为科学有效的评价分析结论。

１粗糙集基本理论

定义１［５］：称Ｓ＝（Ｕ，Ａ，Ｖ，ｆ）是一个决策表，其中Ｕ＝｛ｕ１，ｕ２，…，ｕｎ｝是一个非空、有穷、被称为全域的个体的集合；Ａ是非空、有穷的属性集合，Ｃ∪Ｄ＝Ａ，Ｃ为条件属性集，Ｄ为决策属性集，ｆ∶Ｕ×Ａ→Ｖ称为映射函数，对于属性ａ∈Ａ，有ａ∶Ｕ→Ｖａ，Ｖａ为属性ａ的值集，集合Ｖ＝∪ａ∈ＡＶａ为属性集Ａ的值域。

定义２［６］：给定决策表Ｓ，若有ＢＡ，则定义属性集Ｂ上的不可分辨关系ＩＮＤ（Ｂ）为：ＩＮＤ（Ｂ）＝｛（ｕｉ，ｕｊ）∈Ｕ２ｂ∈Ｂ，ｆ（ｕｉ，ｂ）＝ｆ（ｕｊ，ｂ）｝。

定义３［７］：在决策表Ｓ中，ＸＵ且Ｘ≠，则定义集合Ｘ在属性集ＢＡ上的下近似划分集Ｂ（Ｘ）和上近似划分集（Ｘ）为：

Ｂ（Ｘ）＝｛ｕ１∈Ｕ［ｕｉ］ＢＸ｝；

（Ｘ）＝｛ｕｉ∈Ｕ［ｕｉ］Ｂ∩Ｘ≠｝；

其中［ｕｉ］Ｂ＝｛ｕｊ（ｕｉ，ｕｊ）∈ＩＮＤ（Ｂ）｝，Ｂ（Ｘ）也称为Ｘ的Ｂ正域，记作：ＰｏｓＢ（Ｘ）。

定义４［６］：在决策表Ｓ中，若有ＢＣ，Ｙ∈Ｕ／ＩＮＤ（Ｄ），则决策属性Ｄ的Ｂ正域ＰｏｓＢ（Ｄ）定义为：

ＰｏｓＢ（Ｄ）＝∪Ｙ∈Ｕ／ＩＮＤ（Ｄ）Ｂ（Ｙ）

定义５［８］：在决策表Ｓ中，若Ｕ／ＩＮＤ（Ｃ）＝｛Ｘ１，Ｘ２，…，Ｘｑ｝，Ｕ／ＩＮＤ（Ｄ）＝｛Ｙ１，Ｙ２，…，Ｙｐ｝，则对象集Ｕ在条件属性集Ｃ下相对于决策属性Ｄ划分的信息熵定义为：

Ｉ（ＤＣ）＝－∑ｑｓ＝１Ｃａｒｄ（Ｘｓ）Ｃａｒｄ（Ｕ）×∑ｐｋ＝１Ｃａｒｄ（Ｙｋ∩Ｘｓ）Ｃａｒｄ（Ｘｓ）×ｌｏｇ１０Ｃａｒｄ（Ｙｋ∩Ｘｓ）Ｃａｒｄ（Ｘｓ）

其中Ｃａｒｄ（）表示集合的基数。

定义６：在决策表Ｓ中，定义属性ｃ∈Ｃ粗糙集信息熵意义下的重要度为［８］：

ＳＧＦ（ｃ）＝Ｉ（ＤＣ）－Ｉ（ＤＣ－｛ｃ｝）

２图书馆信息资源评价决策分析算法

２１数据采集和预处理

在图书馆信息资源评价指标体系中，有些指标是可以量化的，有些指标是不能够量化的。对于不能量化的指标，可以采取专家打分的形式确定；对于可以量化的指标，则应根据实际值的大小予以评分。由于不同的指标在数量级和量纲上有差异，因此，评分法则应消除属性间的不可公度性，以保证决策表中的数据关系一致性。那么，把条件属性集（指标集）描述为Ｃ＝｛ｃ１，ｃ２，…，ｃｚ｝，ｘ＝１，２，…，ｚ，对各个条件属性的评分值ｌｉｘ具体的计算方法［９］为：

endprint

（1）如果评价指标属性为成本型属性，则对属性值ｌｉｘ的一致化处理描述为：

ｌｉｘ＝１００×（ｍａｘ（ｌｘ）－ｌｉｘ）／（ｍａｘ（ｌｘ）－ｍｉｎ（ｌｘ））（1）

（2）如果评价指标属性为效益型属性，则对属性值ｌｉｘ的一致化处理描述为：

ｌｉｘ＝１００×（ｌｉｘ－ｍｉｎ（ｌｘ））／（ｍａｘ（ｌｘ）－ｍｉｎ（ｌｘ））（2）

（3）如果评价指标属性为特定最优值取值属性，则对属性值ｌｉｘ的一致化处理描述为：

ｌｉｘ＝１００×［１－（ｌｉｘ－ｌｉｘ）／（ｌｉｘ－ｌ′ｉｘ）］，ｌｉｘ＞ｌｉｘ＞ｌ′ｉｘ

１００，ｌｉｘ＝ｌｉｘ

１００×［１－（ｌｉｘ－ｌｉｘ）／（ｌ″ｉｘ－ｌｉｘ）］，ｌｉｘ＜ｌｉｘ＜ｌ″ｉｘ

０，其他（3）

其中，ｍａｘ（ｌｘ）为原始数据集中，在属性ｃｘ下的最大数据取值；ｍｉｎ（ｌｘ）为原始数据集中，在属性ｃｘ下的最小数据取值，ｌｉｘ为属性ｃｘ下的最优值，ｌ′ｉｘ为属性ｃｘ下无法接受下限，ｌ″ｉｘ为属性ｃｘ下无法接受上限。

２２连续型数据离散化

由于粗糙集只能处理离散化的数据，因此，需要对连续型数据进行离散化处理，本文采取的是等距离法［８］。具体步骤如下：

（1）属性ｃｘ在离散化时的取值区间长度计算为：

ｌｘ＝ｍａｘ（ｌｉｘ）－ｍｉｎ（ｌｉｘ）ｍ（4）

其中，ｌｘ为区间的长度，ｍａｘ（ｌｉｘ）为属性ｃｘ中的最大评分值，ｍｉｎ（ｌｉｘ）为属性ｃｘ中的最小评分值，ｍ为设定的离散化区间数目。

（2）对于对象ｕｉ，在属性ｃｘ下的离散化结果计算为：

ｔｉｘ＝〈ｌｉｘ－ｍｉｎ（ｌｉｘ）ｌｘ〉（5）

其中ｔｉｘ为对于对象ｕｉ，在属性ｃｘ下取值的离散化结果；〈〉表示向上取整。

２３构建决策表

把数据离散化的结果转化成为决策表Ｓ＝（Ｕ，Ａ，Ｖ，ｆ），Ｕ＝｛ｕ１，ｕ２，…，ｕｎ｝表示各个图书馆的集合，条件属性评价指标集Ｃ＝｛ｃ１，ｃ２，…，ｃｚ｝，决策属性集Ｄ＝｛ｙ１，ｕ２，…，ｙｒ｝。

２４客观权重确定

通过把基于信息熵观点下的粗糙集计算方法引入图书馆信息资源智能评价分析中，不依赖任何的先验知识，获取属性（也即指标）的客观权重，为图书馆信息资源评价问题粗糙集求解提供了一个新的解决方案。

在信息熵观点下，粗糙集运算直观性较强，不同属性的重要性可以基于信息熵的运算得到相应的定量化数值。即通过从决策表中剔除某条件属性，再考察在该属性缺失的情况下整个决策分类信息熵的变化情况。如果剔除后变化较大，则说明该属性重要性大；反之，重要性小。

算法：条件属性权重计算及待评价对象的综合评价值

输入：决策表Ｓ＝（Ｕ，Ａ，Ｖ，ｆ）

输出：条件属性权重值ω和待评价对象的综合评价值Κｉ

Step 1．获得全体对象集Ｕ的划分结果Ｕ／ＩＮＤ（Ｃ），在决策属性Ｄ上的划分结果Ｕ／ＩＮＤ（Ｄ），以及在每次剔除条件属性ｃｘ后的划分结果Ｕ／ＩＮＤ（Ｃ－｛ｃｘ｝）；

Step 2．计算条件属性集Ｃ上的划分相对决策属性Ｄ上的划分的信息熵Ｉ（ＤＣ）；在依次剔除条件属性集Ｃ下的各个条件属性ｃｘ后，计算Ｃ－｛ｃｘ｝上的划分相对决策属性Ｄ上的划分的信息熵Ｉ（ＤＣ－｛ｃｘ｝）；

Step 3．对每个条件属性ｃｘ计算粗糙集意义下的重要度：ＳＧＦ（｛ｃｘ｝）＝Ｉ（ＤＣ）－Ｉ（ＤＣ－｛ｃｘ｝）；

Step 4．计算各个条件属性ｃｘ的权重值：

ω（ｃｘ）＝ＳＧＦ（｛ｃｘ｝）∑ｚｘ＝１ＳＧＦ（｛ｃｘ｝）

Step 5．计算评价对象的信息资源评价结果：

Ｋｉ＝∑ｚｘ＝１ω（ｃｘ）×ｌｉｘ

其中Ｋｉ为各个图书馆的评价值，ｉ＝１，２，…，ｎ；ｌｉｘ为各个属性（指标）的评分值。

３算例与分析

为了验证基于粗糙集条件信息熵的图书馆信息资源评价模型的合理有效性，本文以国内12所高校图书馆的信息资源测算数据信息为例，对本文所提出的智能评价算法模型予以示意性阐释与分析。

数据采集、预处理与构建决策表。Ｕ＝｛ｕ１，ｕ２，ｕ３，ｕ４，ｕ５，ｕ６，ｕ７，ｕ８，ｕ９，ｕ１０，ｕ１１，ｕ１２｝为12个待评价图书馆，为了简化计算，本算例选用文献［１］中介绍的图书馆信息资源评价指标中的：信息资源的内容，图书馆信息资源的复合、整合与组织加工，图书馆信息资源检索平台的功能，信息资源利用的经济性，信息资源整体满意度等5个属性作为条件属性记为Ｃ＝｛ｃ１，ｃ２，ｃ３，ｃ４，ｃ５｝，将“专家、用户的满意度情况”作为考核图书馆信息资源的一个表征，作为决策属性Ｄ，用户、专家分别根据自己的客观感受对这12个图书馆的信息资源满意度情况进行打分，100分表示非常满意，0分表示非常不满意，打分结果取平均值。由于5个条件属性均属于效益型属性，利用公式（2）计算各属性的得分，如表１所示。

连续型数据离散化。把所有指标均分为3个等级，利用公式（4）确定各个指标的离散区间；根据公式（5）确定各个指标的离散化结果，如表２所示。表１12个图书馆在指标集下的原始测算评分数据

图书馆〖〗条件属性集Ｃｃ１ｃ２ｃ３ｃ４ｃ５决策属性ｕ１787065788083127ｕ２727285806572368ｕ３626562857875213ｕ４689085786581487ｕ５90686585809635ｕ６9592100786286667ｕ７9510062856574375ｕ８828580726880375ｕ９8080801006590125ｕ１０6265926510070125ｕ１１7068100728592525ｕ１２8582729010088325

表２数据离散化后的决策表

图书馆〖〗条件属性集Ｃｃ１ｃ２ｃ３ｃ４ｃ５决策属性ｕ１211222ｕ２112211ｕ３111221ｕ４132212ｕ５311223ｕ６333212ｕ７331211ｕ８222112ｕ９222313ｕ１０113131ｕ１１113123ｕ１２221333

客观权重确定。由表２，根据算法可得：

ω（ｃ１）＝０３７３，ω（ｃ２）＝０１５７，ω（ｃ３）＝０１５７，

ω（ｃ４）＝０１５７，ω（ｃ５）＝０１５７。

根据以上的计算结果分析，图书馆信息资源评价指标体系下的信息资源内容指标重要性最高。

最终，求得12个待评测图书馆的信息资源综合评价值分别为：

Ｋ１＝７５０９５，Ｋ２＝７４２７０，Ｋ３＝６８６５６，〖〗Ｋ４＝７５２９０，Ｋ５＝８０３５６，Ｋ６＝８７５５９，〖〗Ｋ７＝８４４１９，Ｋ８＝７８４７１，Ｋ９＝８０８６５，〖〗Ｋ１０＝７３６８０，Ｋ１１＝７７１３５，Ｋ１２＝８５７１３。为了进一步验证本文方法的合理性和优越性，特将本文方法与文献［１０］中所提出的方法基于本文的测算数据进行对比计算分析，并对综合评价结果进行排序，如表３所示。

表３两种方法计算的评价值结果及排序

得分ｕ１ｕ２ｕ３ｕ４ｕ５ｕ６ｕ７ｕ８ｕ９ｕ１０ｕ１１ｕ１２η本文方法评价值7509574276862675298035687559〖〗84419784718086573687713585713本文方法评价值排序910128513641172340526文献［１０］方法评价值7454274548696447637278716866248262477814809175468781985728文献［１０］方法评价值排序111012851374〖〗962259271

endprint

从所得的评价结果中可以看出，两种方法计算得到的各个图书馆的评价值排序相差不大。为了进一步验证本文模型的合理有效性，特定义评价决策方案区分度为：

η＝∑ｎｉ＝１（Ｋｉ－）２，?＝∑ｎｉ＝１Ｋｉ／ｎ（6）

其中ｎ为待评价图书馆的数目。

区分度越大意味着待评价图书馆间的优势可分辨性越大，也直接表明该评价方法的优越性。通过公式（6）计算上述两种图书馆信息资源评价方法下的方案间的区分度，如表３所示，本文方法的评价决策方案区分度更大，表明本文方法更具一定的优越性，也表明了本文模型的合理有效。

４丰富图书馆信息资源内容的对策

根据本文图书馆信息资源智能评价模型的权重值计算结果分析，图书馆信息资源评价指标体系中图书馆信息资源内容指标重要性最高，那么丰富高校图书馆信息资源的内容我们可以从以下几个方面去考虑：

４１提高信息资源的保障能力

信息资源的保障是图书馆信息资源建设的基础，提高图书馆信息资源的保障能力，必须分别对纸质文献与数字资源、各个学科的信息资源、自建特色数据库和学科导航库以及资料的文种结构优化等进行合理的保存，提高图书馆信息资源的使用效率，加强图书馆信息资源内容的建设。

４２提高信息资源的质量

信息资源的质量是图书馆信息资源建设的核心，提高信息资源的质量，必须增加核心图书馆的馆藏量，对零借阅图书进行合理的削减，提高核心刊物、同行专家评审及被索引期刊的收藏比例，合理分配学科结构建设比例如重点学科、主要学科、一般学科资源、新书册数的比例等。

４３提高信息资源的时效性

信息资源的时效性决定着图书馆信息资源建设质量的好坏。提高高校图书馆信息资源的时效性，需要提高图书、期刊的上架速度，对数字资源每天进行更新，这样可以弥补由于纸本资源时滞所带来的影响，提高文献传递的及时性，使得图书馆信息资源能够及时满足用户的需求。

４４提高信息资源的共享能力

信息资源的共享能力决定着图书馆信息资源建设的高度。图书馆信息资源的共享实质是以信息资源优化配置为基础的高效利用，在高校应该建立从上至下的多级信息资源共享网络，实行多层级信息资源的管理、宏观控制，使图书馆信息资源能够最大范围的满足用户的需求。

５结束语

本文把粗糙集方法引入图书馆信息资源评价分析中，在已有的研究基础上建立了基于粗糙集条件信息熵的图书馆信息资源智能评价模型，客观获取各评价指标的权重值，为后续的综合评价分析奠定基础，这种求解方法具有严密的逻辑推理和理论依据。进一步，根据该模型计算得到的指标权重值结果，提出了丰富图书馆信息资源内容的相应对策。算例表明，该粗糙集智能评价模型是切实可行、有效的，为图书馆信息资源提供了新的智能化评价方法。

参考文献

［１］赵良英,李立华.基于多层次模糊综合评价的复合图书馆信息资源评价指标体系研究［Ｊ］.图书馆工作与研究,2011,（3）:24-28.

［２］管计锁,毕杰.网络信息资源评价与传统馆藏评价的比较和综合评价［Ｊ］.图书情报工作,2004,48（2）:35-37.

［３］曹作华.图书馆信息资源服务效益的模糊层次综合评价［Ｊ］.图书情报工作,2004,48（12）:51-56.

［４］Yee Leung,Manfred M.Fischer,Wei-Zhi Wu,Ju-Sheng Mi.A rough set approach for the discovery of classification rules in interval-valued information systems［Ｊ］.International Journal of Approximate Reasoning,2008,5（2）:233-246.

［５］朱红灿,陈能华.基于距离辅助粗糙集的政府信息公开公众满意度评价模型［Ｊ］．情报杂志,2010,29（8）:94-97.

［６］朱红灿,陈能华.粗糙集条件信息熵权重确定方法的改进［Ｊ］.统计与决策,2011,（8）:154-156.

［７］谭旭,唐云岚,陈英武.基于粗糙集的区间型数据离散化算法［Ｊ］.系统工程理论与实践,2009,29（6）:157-165.

［８］高维春,谭旭.决策属性未知下的学生评教粗糙集分析［Ｊ］.计算机工程与应用,2012,48（9）:238-241.

［９］岳超源.决策理论与方法［Ｍ］.北京:科学出版社,2006.

［１０］周志远,沈固朝.粗糙集理论在情报分析指标权重确定中的应用［Ｊ］.情报理论与实践,2012,35（9）:61-65.

（本文责任编辑：孙国雷）

endprint

η＝∑ｎｉ＝１（Ｋｉ－）２，?＝∑ｎｉ＝１Ｋｉ／ｎ（6）

其中ｎ为待评价图书馆的数目。

４丰富图书馆信息资源内容的对策

４１提高信息资源的保障能力